«Глубокое обучение - это особый вид машинного обучения, который обеспечивает большую мощность и гибкость за счет обучения представлению мира в виде вложенной иерархии концепций, при этом каждая концепция определяется по отношению к более простым концепциям, а более абстрактные представления вычисляются в терминах менее абстрактные ».
Это очень важный вопрос для многих новичков в области машинного обучения / глубокого обучения / науки о данных.
Итак, сегодня мы узнаем это: -
- Как правило, мы можем сказать, что для меньшего количества функций мы должны использовать модель машинного обучения, она быстрее, чем метод глубокого обучения, и имеет лучшую точность для меньшего количества функций.
- Термин, который ставит машинное обучение в основу глубокого обучения для сложных наборов данных, - это «Проклятие размерности».
- Проклятие размерности: Проклятие размерности в основном означает, что ошибка увеличивается с увеличением количества функций. Это относится к тому факту, что алгоритмы сложнее разрабатывать в больших измерениях и часто имеют экспоненциальное время работы в измерениях.
Насколько глубокое обучение лучше с точки зрения проклятия размерности?
→ Посмотрите, как все мы знаем, что глубокое обучение содержит различные слои и нейроны, которые несут веса, и с каждой эпохой мы обновляем веса, и благодаря этому комплексному количеству настройки гиперпараметров методы глубокого обучения уменьшают проклятие размерности.
Важность предпочтений при выборе функций.
→ В методе машинного обучения первым этапом создания любой модели является предварительная обработка данных, в которой есть термин «Выбор функции», который сильно влияет на модель.
→ Но в технике глубокого обучения выбор функций не так важен, как в технике машинного обучения. В глубоком обучении с прямым и обратным распространением веса автоматически обновляются, и он автоматически назначает предпочтение функции, которая имеет большее влияние на модель.
Влияние ресурсов.
«Аналогия с глубоким обучением заключается в том, что ракетный двигатель - это модель глубокого обучения, а топливом служат огромные объемы данных, которые мы можем передать этим алгоритмам».
→ Машинное обучение более популярно, чем метод глубокого обучения, из-за его простоты использования. для глубокого обучения нам требуется большой набор данных с более мощными графическими процессорами, потому что шаги, предпринятые в методе глубокого обучения, больше, чем в машинном обучении, поэтому для лучшей производительности модели требуется высокая спецификация графических процессоров. но если мы рассмотрим метод машинного обучения, он будет работать лучше, чем метод глубокого обучения, когда у нас мало ресурсов (менее сложный набор данных и низкая спецификация графического процессора).
Интерпретируемость
Наконец, что не менее важно, у нас есть интерпретируемость как фактор для сравнения машинного обучения и глубокого обучения. Этот фактор - основная причина, по которой о глубоком обучении все еще думают 10 раз, прежде чем использовать его в промышленности.
Возьмем пример. Предположим, мы используем глубокое обучение для автоматической оценки эссе. Производительность, которую он дает при подсчете очков, довольно высока и близка к человеческим характеристикам. Но есть проблема. Это не раскрывает, почему он поставил такую оценку. Действительно, математически вы можете узнать, какие узлы глубокой нейронной сети были активированы, но мы не знаем, что должны были моделировать их нейроны и что эти слои нейронов делали вместе. Таким образом, мы не можем интерпретировать результаты.
С другой стороны, алгоритмы машинного обучения, такие как деревья решений, дают нам четкие правила относительно того, почему он выбрал то, что он выбрал, поэтому особенно легко интерпретировать доводы, лежащие в основе этого. Поэтому такие алгоритмы, как деревья решений и линейная / логистическая регрессия, в основном используются в отрасли для интерпретируемости.
