머신 러닝과 딥 러닝의 차이점은 무엇입니까?
답변:
딥 러닝은 특정 유형의 머신 러닝의 특정 다양성입니다. 이 기계 학습의 모든 학습하지 않고 깊은 학습에 대해 배울 가능하지만, 그것은 학습이 필요합니다 그래서 일부 (이 일부 기계 학습이기 때문에) 기계 학습을.
머신 러닝은 머신에 많은 양의 트레이닝 데이터에서 통계 매개 변수를 학습 할 수있는 방법을 가르치는 데 중점을 둔 기술을 말합니다. 기계 학습의 한 가지 특정 유형은 인공 신경망으로, 광범위한 입력 변수 배열의 매우 복잡한 기능을 근사 할 수있는 비선형 변환 네트워크를 학습합니다. 인공 신경망의 최근 발전은 심층 신경망 을 훈련시키는 방법과 관련이 있습니다. 심층 신경망은 정상보다 많은 층을 가지고 있으며 더 많은 층을 학습하는 문제를 다루기 위해 특별한 구조를 가지고 있습니다.
상기 벤 다이어그램에 의해 표현 된 포함 물이 허용 될 수있는 바와 같이, 현저하게 말하거나 정확한 것은 아니다.
인공 지능, 기계 학습 및 딥 러닝이라는 용어는 비록 브랜드도 과학적이지는 않습니다. 이 용어는 갇힌 용어를 게시 할 당시 특정 자금, 커뮤니케이션 및 부서별 관점을 가진 사람들이 명명 한 포괄적 인 용어입니다.
또한 사물의 순서가 잘못되었습니다. 오늘날 인공 지능이라 불리는 것은 기계를 사용하여 그 당시 인간의 관심이 필요하고 자동화를 통해 인간의 정신 능력을 확장시키는 정신 활동을 자동화하는 수세기 전의 목표였습니다. 이 비전은 회로와 정보 이론을 전환하기 전과 컴퓨터 과학 이전에 일어났습니다.
결과적으로 컴퓨터 과학은 실제로 AI 비전의 일부이며 그 이후입니다.
딥 러닝은 인공 네트워크의 레이어 수와 레이어가 얻을 수있는 추상화 깊이 사이에 상관 관계가 있다는 불안전하고 지나치게 단순화 된 아이디어를 기반으로하는 용어입니다. 층 내의 활성화 세포의 수를 층의 폭이라 칭하기 때문에, 층의 크기를 표현하기 위해 깊이의 선택이 선택되었다. 일반적인 다이어그램은 레이어 당 셀 수를 높이로, 레이어 수를 너비로 나타내며 다이어그램이 2 차원이므로 깊이가 없기 때문에 이상합니다. 그러나 그것은 실제 문제가 아닙니다. 네트워크의 깊이와 추상화의 깊이에 대한 과학적 근거는 없으며, 직감 일 뿐이며, 컴퓨터 비전 분야에서는 그렇게 단순하지 않다는 상당한 증거가 있습니다.
이 다음 벤 다이어그램은 권위도없고 완벽하지도 않지만 위의 문제 중 일부는 복구되었습니다. 여러 측면에서 질문에 더 지능적으로 대답하지만 전문 용어에서 단어 선택의 문제는 일반적으로 크게 밀리지 않으면 해결되지 않으며이 게시물로 충분하지 않습니다.
책에서 Machine Leraning 챕터를 시작했을 때
I) 감독 :
회귀
- 선형 모델
분류
- 로지스틱 회귀
- 신경망
- 의사 결정 트레스와 랜덤 포레스트
- 부스팅 및 배깅
- SVD 및 SVM
II) 비지도 학습 :
클러스터링
- K- 평균
- 계층 적
- 가우스 혼합 모델
- DB 스캔
협회 학습.
III) 재 정보 학습 :
갑작스러운 챕터 I> 2> b는 모두 자신 만의 하위 필드를 만들었습니다. 이유를 알기 위해 약간의 역사를 말씀 드리겠습니다. Machine learningArthur Samuel은 1959 년에 그 단어가 machines were able to learn from data명백한 지시보다 그것을 나타 내기 위해 만들어졌습니다 . 처음에는 접근이 레이블 데이터에 필요한지 아닌지 (즉, 회귀, 분류)를 기준으로 두 그룹으로 나뉘어 감독되지 않은 분을 낳은 클러스터링으로도 우리가 분류 할 수 있음을 깨달았습니다. 단어 강화 학습은 게임 이론 영역에서 영감을 받아 탄생했습니다. 나중에 그 세부 사항을 따로 보관하십시오.
딥 러닝을 deep learning시작한 이 단어 는 2008 년 Geoff Hinton 컨퍼런스에서 최근에 왔습니다. 이 사람들은 제프 힌튼 제시 용지와는 종류의 기계를 분류 외에 학습의 새로운 방법으로 된 이후 다음에서 사용되는 매우 깊은 신경 네트워크 아키텍처를 나타 내기 위해 그것을 사용하기 시작 supervised, unsupervised또는 reinforcement. (디스크 : 홀수 참조가있을 수 있습니다 이 전에 DL로 NN을 호출하지만 이전에는 그렇게 인기 있고 수용 할 수는 없습니다)
그럼 난 가끔 이름이 느낌이 deep learning다소 명칭이 잘못된, 그것은 더 나은이로 명명 된 경우의이었을 것입니다 neural learning아마 깊이 나 스트레스 deep neural learning. 만약 당신이 내가 어떤 깊이에 대해 이야기하고 있는지 궁금하다면, 전체 단어는 신경망 (GPU의 높은 처리 능력 덕분에)이 이제 여러 계층에서 성공적으로 훈련 할 수 있다는 사실에서 나왔습니다. deep이라는 단어는 deep belief net또는 과 같은 많은 계산이 필요한 기계 학습의 다른 비 신경 네트워크 영역을 포함하는 데 느슨하게 사용될 수 있습니다 recurrent net. 네트워크 오늘날의 단위는 더 이상 단순한입니다 정확히 말하면 neuron또는 perceptron, 그것은 할 수있다 LSTM, GRU또는이 capsule나는 단어를 추측, 그래서 deep지금은 이전보다 더 의미가 있습니다.
기본 정의는 다음과 같습니다 machine learning.
"데이터를 분석하고, 그 데이터를 통해 배우고, 배운 내용을 적용하여 정보에 근거한 결정을 내리는 알고리즘
기계 학습 알고리즘의 쉬운 예는 주문형 음악 스트리밍 서비스입니다. 서비스가 청취자에게 추천 할 새 노래 나 아티스트를 결정하기 위해 기계 학습 알고리즘은 청취자의 선호도를 유사한 음악적 취향을 가진 다른 청취자와 연관시킵니다.
머신 러닝은 모든 종류의 자동화 된 작업에 연료를 공급하고 데이터 보안 회사의 악성 코드 차단에서부터 유리한 거래를 찾는 재무 전문가에 이르기까지 여러 산업에 걸쳐 있습니다. 그들은 가상 개인 비서처럼 작동하도록 설계되었으며 상당히 잘 작동합니다.
실용적인 용어로, deep learning기계 학습의 일부일뿐입니다. 기술적으로 기계 학습과 기능이 비슷하지만 (때로는 용어가 느슨하게 교환되는 이유는 있지만) 기능이 다릅니다.
기본 기계 학습 모델은 기능이 무엇이든 점진적으로 향상되지만 여전히 일부 지침입니다. ML 알고리즘이 부정확 한 예측을 반환하면 엔지니어가 개입하여 조정해야합니다. 그러나 딥 러닝 모델을 사용하면 알고리즘이 예측이 정확한지 여부를 스스로 결정할 수 있습니다.
딥 러닝은 머신 러닝의 하위 집합입니다.
머신 러닝과 딥 러닝은 서로 다른 것이 아닙니다. 딥 러닝은 머신 러닝의 한 형태입니다. 신경망의 계층 수준은 점점 더 심층 학습에있어 딥 러닝의 일부입니다.
“딥 러닝은 단순한 개념과 관련하여 정의 된 각 개념과 덜 추상적 인 개념으로 계산 된 더 추상적 인 표현을 통해 세계를 개념의 중첩 된 계층 구조로 표현함으로써 학습을 통해 큰 힘과 유연성을 달성하는 특정 종류의 기계 학습입니다. "