Perbezaan Antara Pembelajaran Dalam dan Pembelajaran Mesin Vs AI

Apa itu AI?

AI (kecerdasan buatan) adalah cabang sains komputer di mana mesin diprogram dan diberi kemampuan kognitif untuk berfikir dan meniru tindakan seperti manusia dan haiwan. Tanda aras untuk AI adalah kecerdasan manusia mengenai penaakulan, pertuturan, pembelajaran, penglihatan, dan penyelesaian masalah, yang jauh di masa depan.

AI mempunyai tiga tahap yang berbeza:

1. AI Sempit : Kecerdasan buatan dikatakan sempit apabila mesin dapat melakukan tugas tertentu dengan lebih baik daripada manusia. Penyelidikan AI semasa di sini sekarang
2. AI Umum : Kecerdasan buatan mencapai keadaan umum apabila ia dapat melakukan tugas intelektual dengan tahap ketepatan yang sama dengan kehendak manusia
3. AI Aktif : AI aktif apabila dapat mengalahkan manusia dalam banyak tugas

Sistem AI awal menggunakan pemadanan corak dan sistem pakar.

Dalam tutorial ini, anda akan belajar-

• Apa itu AI?
• Apa itu ML?
• Apa itu Pembelajaran Dalam?
• Proses Pembelajaran Mesin
• Proses Pembelajaran Dalam
• Automatik Ciri Pengekstrakan menggunakan DL
• Perbezaan antara Pembelajaran Mesin dan Pembelajaran Dalam
• Bila hendak menggunakan ML atau DL?

Apa itu ML?

ML (Machine Learning) adalah sejenis AI di mana komputer dilatih untuk mengautomasikan tugas yang menyeluruh atau mustahil bagi manusia. Ini adalah alat terbaik untuk menganalisis, memahami, dan mengenal pasti corak dalam data berdasarkan kajian algoritma komputer. Pembelajaran mesin dapat membuat keputusan dengan campur tangan manusia yang minimum.

Membandingkan Artificial Intelligence vs Machine Learning, Machine learning menggunakan data untuk memberi makan algoritma yang dapat memahami hubungan antara input dan output. Apabila mesin selesai belajar, ia dapat meramalkan nilai atau kelas titik data baru.

Apa itu Pembelajaran Dalam?

Pembelajaran mendalam adalah perisian komputer yang meniru rangkaian neuron di otak. Ini adalah subset pembelajaran mesin dan disebut pembelajaran mendalam kerana menggunakan rangkaian neural dalam. Mesin menggunakan lapisan yang berbeza untuk belajar dari data. Kedalaman model diwakili oleh jumlah lapisan dalam model. Pembelajaran mendalam adalah keadaan seni yang baru dari segi AI. Dalam pembelajaran mendalam, fasa pembelajaran dilakukan melalui rangkaian saraf. Rangkaian neural adalah seni bina di mana lapisan-lapisannya saling bertumpuk

Proses Pembelajaran Mesin

Bayangkan anda dimaksudkan untuk membina program yang mengenali objek. Untuk melatih model, anda akan menggunakan pengkelasan . Pengelas menggunakan ciri objek untuk mencuba mengenal pasti kelas yang menjadi miliknya.

Dalam contohnya, pengklasifikasi akan dilatih untuk mengesan jika gambarnya adalah:

• Basikal
• Bot
• Kereta
• Kapal terbang

Keempat objek di atas adalah kelas yang harus dikenali oleh pengelasan. Untuk membina pengkelasan, anda perlu mempunyai beberapa data sebagai input dan memberikan label kepadanya. Algoritma akan mengambil data ini, mencari corak dan kemudian mengklasifikasikannya dalam kelas yang sesuai.

Tugas ini dipanggil pembelajaran yang diselia. Dalam pembelajaran yang diselia, data latihan yang anda berikan kepada algoritma merangkumi label.

Melatih algoritma perlu mengikuti beberapa langkah standard:

• Kumpulkan data
• Latih pengelas
• Buat ramalan

Langkah pertama adalah perlu, memilih data yang tepat akan menjadikan algoritma berjaya atau gagal. Data yang anda pilih untuk melatih model disebut ciri. Dalam contoh objek, ciri-ciri adalah piksel gambar.

Setiap gambar adalah baris dalam data sementara setiap piksel adalah lajur. Sekiranya gambar anda berukuran 28x28, set data mengandungi 784 lajur (28x28). Dalam gambar di bawah, setiap gambar telah diubah menjadi vektor ciri. Label memberitahu komputer apa objek dalam gambar.

Objektifnya adalah menggunakan data latihan ini untuk mengklasifikasikan jenis objek. Langkah pertama terdiri daripada membuat lajur ciri. Kemudian, langkah kedua melibatkan memilih algoritma untuk melatih model. Semasa latihan selesai, model akan meramalkan gambar apa yang sesuai dengan objek apa.

Selepas itu, mudah untuk menggunakan model untuk meramalkan gambar baru. Untuk setiap gambar baru dimasukkan ke dalam model, mesin akan meramalkan kelasnya. Sebagai contoh, gambar yang sama sekali baru tanpa label akan melalui model. Bagi seorang manusia, adalah remeh bagi menggambarkan gambar sebagai sebuah kereta. Mesin menggunakan pengetahuan sebelumnya untuk meramalkan dan gambar adalah kereta.

Proses Pembelajaran Dalam

Dalam pembelajaran mendalam, fasa pembelajaran dilakukan melalui rangkaian saraf. Rangkaian neural adalah seni bina di mana lapisan-lapisannya saling bertumpuk di antara satu sama lain.

Pertimbangkan contoh gambar yang sama di atas. Set latihan akan diberikan ke jaringan saraf

Setiap input masuk ke neuron dan dikalikan dengan berat. Hasil pendaraban mengalir ke lapisan seterusnya dan menjadi input. Proses ini diulang untuk setiap lapisan rangkaian. Lapisan terakhir dinamakan lapisan output; ia memberikan nilai sebenar untuk tugas regresi dan kebarangkalian setiap kelas untuk tugas klasifikasi. Rangkaian neural menggunakan algoritma matematik untuk mengemas kini berat semua neuron. Rangkaian saraf dilatih sepenuhnya ketika nilai pemberat memberikan output yang hampir dengan kenyataan. Sebagai contoh, rangkaian saraf yang terlatih dapat mengenali objek pada gambar dengan ketepatan yang lebih tinggi daripada jaringan saraf tradisional.

Automatik Ciri Pengekstrakan menggunakan DL

Set data boleh mengandungi selusin hingga ratusan ciri. Sistem akan belajar dari kesesuaian ciri-ciri ini. Walau bagaimanapun, tidak semua ciri berguna untuk algoritma. Bahagian penting dalam pembelajaran mesin adalah mencari satu set ciri yang relevan untuk menjadikan sistem mempelajari sesuatu.

Salah satu cara untuk melaksanakan bahagian ini dalam pembelajaran mesin adalah dengan menggunakan pengekstrakan ciri. Pengekstrakan ciri menggabungkan ciri yang ada untuk membuat sekumpulan ciri yang lebih relevan. Ia boleh dilakukan dengan PCA, T-SNE atau algoritma pengurangan dimensi lain.

Sebagai contoh, pemprosesan gambar, pengamal perlu mengekstrak ciri secara manual dalam gambar seperti mata, hidung, bibir dan sebagainya. Ciri-ciri yang diekstrak itu sesuai dengan model klasifikasi.

Pembelajaran mendalam menyelesaikan masalah ini, terutamanya untuk rangkaian saraf konvolusional. Lapisan pertama rangkaian saraf akan mempelajari perincian kecil dari gambar; lapisan seterusnya akan menggabungkan pengetahuan sebelumnya untuk membuat maklumat yang lebih kompleks. Dalam rangkaian saraf konvolusional, pengekstrakan fitur dilakukan dengan penggunaan penapis. Jaringan menggunakan penapis pada gambar untuk melihat apakah ada kecocokan, yaitu, bentuk fiturnya serupa dengan bagian gambar. Sekiranya terdapat padanan, rangkaian akan menggunakan penapis ini. Oleh itu, proses pengekstrakan ciri dilakukan secara automatik.

Perbezaan antara Pembelajaran Mesin dan Pembelajaran Dalam

Di bawah adalah perbezaan utama antara Pembelajaran Dalam vs Pembelajaran Mesin

	Pembelajaran Mesin	Pembelajaran Dalam
Ketergantungan Data	Persembahan yang sangat baik pada set data kecil / sederhana	Prestasi yang sangat baik pada set data yang besar
Pergantungan perkakasan	Bekerja pada mesin kelas rendah.	Memerlukan mesin yang kuat, sebaiknya dengan GPU: DL melakukan sebilangan besar pendaraban matriks
Kejuruteraan ciri	Perlu memahami ciri-ciri yang mewakili data	Tidak perlu memahami ciri terbaik yang mewakili data
Masa perlaksanaan	Dari beberapa minit hingga berjam-jam	Hingga beberapa minggu. Neural Network perlu menghitung sebilangan besar berat
Kebolehtafsiran	Beberapa algoritma mudah ditafsirkan (logistik, keputusan), ada yang hampir mustahil (SVM, XGBoost)	Sukar untuk mustahil

Bila hendak menggunakan ML atau DL?

Dalam jadual di bawah, kami merumuskan perbezaan antara pembelajaran mesin dan pembelajaran mendalam dengan contoh.

	Pembelajaran mesin	Pembelajaran mendalam
Set data latihan	Kecil	Besar
Pilih ciri	Ya	Tidak
Bilangan algoritma	Banyak	Beberapa
Masa latihan	Pendek	Lama

Dengan pembelajaran mesin, anda memerlukan lebih sedikit data untuk melatih algoritma daripada pembelajaran mendalam. Pembelajaran mendalam memerlukan sekumpulan data yang luas dan pelbagai untuk mengenal pasti struktur yang mendasari. Selain itu, pembelajaran mesin menyediakan model yang lebih cepat dilatih. Senibina pembelajaran mendalam yang paling maju memerlukan beberapa hari hingga seminggu untuk melatih. Kelebihan pembelajaran mendalam berbanding pembelajaran mesin adalah sangat tepat. Anda tidak perlu memahami ciri apa yang merupakan perwakilan data terbaik; rangkaian saraf belajar bagaimana memilih ciri kritikal. Dalam pembelajaran mesin, anda perlu memilih sendiri ciri apa yang perlu disertakan dalam model.

Ringkasan

Kecerdasan buatan memberikan kemampuan kognitif pada mesin. Membandingkan AI vs Pembelajaran Mesin, sistem AI awal menggunakan pemadanan corak dan sistem pakar.

Idea di sebalik pembelajaran mesin adalah bahawa mesin dapat belajar tanpa campur tangan manusia. Mesin perlu mencari kaedah untuk belajar bagaimana menyelesaikan tugas yang diberikan data.

Pembelajaran mendalam adalah kejayaan dalam bidang kecerdasan buatan. Apabila terdapat cukup data untuk dilatih, pembelajaran mendalam akan mencapai hasil yang mengagumkan, terutama untuk pengecaman gambar dan terjemahan teks. Sebab utama ialah pengekstrakan ciri dilakukan secara automatik di lapisan rangkaian yang berbeza.