मशीन लर्निंग और डीप लर्निंग में क्या अंतर है?
जवाबों:
डीप लर्निंग एक विशिष्ट प्रकार की मशीन लर्निंग की एक विशिष्ट विविधता है। इसलिए मशीन सीखने के सभी सीखने के बिना गहन सीखने के बारे में सीखना संभव है, लेकिन इसके लिए कुछ मशीन सीखने की आवश्यकता है (क्योंकि यह कुछ मशीन सीखना है)।
मशीन लर्निंग किसी भी तकनीक को संदर्भित करता है जो मशीन को सिखाने पर केंद्रित है कि यह बड़ी मात्रा में प्रशिक्षण डेटा से सांख्यिकीय पैरामीटर कैसे सीख सकता है। एक विशेष प्रकार की मशीन लर्निंग कृत्रिम तंत्रिका नेटवर्क है, जो नॉनलाइनियर परिवर्तनों का एक नेटवर्क सीखती है जो इनपुट चर के विस्तृत सरणियों के लगभग जटिल कार्यों को अनुमानित कर सकती है। कृत्रिम तंत्रिका नेटवर्क में हाल के अग्रिमों को गहरे तंत्रिका नेटवर्क को प्रशिक्षित करने के साथ क्या करना है, जिसमें सामान्य से अधिक परतें हैं और अधिक परतों को सीखने की चुनौतियों से निपटने के लिए विशेष संरचना भी है।
डीप लर्निंग मशीन लर्निंग का एक रूप है।
डीप लर्निंग गहरे तंत्रिका नेटवर्क के साथ सीखने को संदर्भित करता है, अनिवार्य रूप से कई परतों के साथ नेटवर्क।
तंत्रिका नेटवर्क मशीन सीखने के कई रूपों में से एक समूह हैं:
- तंत्रिका जाल
- निर्णय पेड़ और यादृच्छिक वन
- समर्थन वेक्टर मशीन
- बायेसियन दृष्टिकोण
- k- निकटतम पड़ोसी
उपर्युक्त वेन आरेख द्वारा दर्शाए गए निष्कर्ष के रूप में स्वीकार्य हो सकता है, यह न तो उल्लेखनीय रूप से बता रहा है और न ही सटीक है।
आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग, और डीप लर्निंग के संदर्भ में, हालांकि ब्रांड ब्रांड वैज्ञानिक भी नहीं हैं। वे विशेष रूप से धन, संचार और विभागीय दृष्टिकोण वाले लोगों द्वारा नामित छत्र शब्द हैं, जिस समय वे अटके हुए शब्दों को प्रकाशित करते हैं।
इसके अलावा, चीजों का क्रम गलत है। जिसे आज कृत्रिम बुद्धिमत्ता कहा जाता है वह मानसिक गतिविधियों को स्वचालित करने के लिए मशीनों का उपयोग करने का एक सदियों पुराना लक्ष्य था, जो उन दिनों में, मानव ध्यान की आवश्यकता थी और शायद उस स्वचालन के माध्यम से मानव मानसिक क्षमताओं का विस्तार करते थे। यह दृष्टि सर्किटरी और सूचना सिद्धांत और इसलिए कंप्यूटर विज्ञान से पहले स्विच करने से पहले पैदा हुई।
नतीजतन, कंप्यूटर विज्ञान वास्तव में उस AI दृष्टि और उसके बाद का सबसेट है।
डीप लर्निंग अनिश्चित और ओवरसाइप्लाइज्ड विचार पर आधारित एक शब्द है जो एक कृत्रिम नेटवर्क में परतों की संख्या और अमूर्त की गहराई के बीच एक सहसंबंध है जो परत को प्राप्त कर सकता है। चूंकि एक परत में सक्रियण कोशिकाओं की गिनती को परत की चौड़ाई कहा जाता था, इसलिए परत की मात्रा के आयाम को व्यक्त करने के लिए गहराई का चयन किया गया था। यह अजीब है क्योंकि ठेठ आरेख में प्रति परत कोशिकाओं की संख्या को ऊंचाई के रूप में, परतों की संख्या को चौड़ाई के रूप में दर्शाया गया है, और आरेख की कोई गहराई नहीं है क्योंकि यह 2-डी है। लेकिन यह असली मुद्दा नहीं है। एक नेटवर्क की गहराई और अमूर्तता की गहराई के लिए कोई वैज्ञानिक आधार नहीं है, बस एक कूबड़ है, और कंप्यूटर दृष्टि के क्षेत्र में काफी सबूत हैं कि यह उतना सरल नहीं है।
यह अगला वेन आरेख न तो आधिकारिक है और न ही पूरी तरह से प्रतिनिधि है, लेकिन ऊपर दिए गए कुछ मुद्दों की मरम्मत की जाती है। भले ही यह कई मामलों में अधिक बुद्धिमानी से सवाल का जवाब देता है, शब्दजाल में शब्द चयन में समस्याओं को आमतौर पर एक महत्वपूर्ण धक्का के बिना ठीक नहीं किया जाता है, और यह पद लगभग पर्याप्त नहीं होगा।
जब मैंने किताब में मशीन लेरिंग चैप्टर शुरू किया तो ऐसा दिखता था
I) पर्यवेक्षित:
वापसी
- रैखिक मॉडल
वर्गीकरण
- राजसी प्रतिगमन
- तंत्रिका नेटवर्क
- निर्णय ट्रेस और यादृच्छिक वन
- बूस्टिंग और बैगिंग
- एसवीडी और एसवीएम
II) अप्रशिक्षित शिक्षण:
क्लस्टरिंग
- कश्मीर साधन
- श्रेणीबद्ध
- गाऊसी मिश्रण मॉडल
- DB स्कैन
एसोसिएशन लर्निंग।
III) पुनर्मूल्यांकन सीखना:
अचानक एक अध्याय I> 2> b ने अपना एक उप-क्षेत्र बनाया। क्यों, यह जानने के लिए, मैं आपको थोड़ा इतिहास बताता हूं। Machine learningइस शब्द को 1959 में आर्थर सैमुअल ने संकेत दिया थाmachines were able to learn from data स्पष्ट निर्देश की तुलना । Initally इसे दो समूहों में विभाजित किया गया था यदि वें दृष्टिकोण के लिए आवश्यक लेबल डेटा या नहीं (यानी प्रतिगमन, वर्गीकरण), तो उन्होंने महसूस किया कि हम क्लस्टरिंग द्वारा कैसेटाइज कर सकते हैं जिसने अनसुना को जन्म दिया। और शब्द सुदृढीकरण सीखने का जन्म खेल सिद्धांत के क्षेत्रों से प्रेरित होकर हुआ था। बाद में उन विवरणों को अलग रखें।
गहरी सीख के साथ, यह शब्द deep learningबहुत हाल ही में आया, जैसा कि हाल ही में 2008 में ज्यॉफ हिंटन सम्मेलन से हुआ था। वहां लोगों ने इसका उपयोग ज्यॉफ हिंटन द्वारा प्रस्तुत एक पेपर में इस्तेमाल किए गए एक बहुत ही गहरे तंत्रिका नेटवर्क वास्तुकला को इंगित करने के लिए शुरू किया और उसके बाद से इसके अलावा supervised, मशीन सीखने को वर्गीकृत करने का एक नया तरीका बन गया , unsupervisedयाreinforcement (डिस्क: वहाँ विषम संदर्भ हो सकता है। इससे पहले एनएन को डीएल कहा जाता है लेकिन इससे पहले इतना लोकप्रिय और स्वीकार्य नहीं)
वैसे मुझे कभी-कभी लगता है कि नाम deep learningकुछ गलत है, यह बेहतर होता अगर इसे नाम दिया जाता neural learningया शायद गहराई पर जोर दिया जाता deep neural learning। यदि आप नए हैं, तो आप सोच रहे होंगे कि मैं किस गहराई के बारे में बात कर रहा हूं, पूरा गहरा शब्द इस तथ्य से आया है कि तंत्रिका नेटवर्क (जीपीयू की उच्च प्रसंस्करण क्षमताओं की उपलब्धता) अब कई परतों पर सफलतापूर्वक प्रशिक्षित करने में सक्षम थे। गहरे शब्द का उपयोग मशीन सीखने के अन्य गैर-तंत्रिका नेटवर्क क्षेत्रों को शामिल करने के लिए शिथिल रूप से किया जा सकता है जिसके लिए बहुत अधिक गणना की आवश्यकता होती है जैसे deep belief netया recurrent net। आज नेटवर्क की इकाइयों के सटीक होने के लिए केवल एक neuronया एक नहीं है perceptron, यह हो सकता है LSTM, GRUया एक capsule, इसलिए मुझे लगता है कि शब्द deepअब पहले से अधिक समझ में आता है।
यहाँ एक मूल परिभाषा है machine learning:
"एल्गोरिथ्म जो डेटा को पार्स करता है, उस डेटा से सीखता है, और फिर वे सूचित निर्णय लेने के लिए जो सीखा है उसे लागू करते हैं"
मशीन लर्निंग एल्गोरिथम का एक आसान उदाहरण ऑन-डिमांड म्यूजिक स्ट्रीमिंग सेवा है। सेवा के लिए निर्णय लेने के लिए कि कौन से नए गाने या कलाकार एक श्रोता की सिफारिश करने के लिए, मशीन लर्निंग एल्गोरिदम अन्य श्रोताओं के साथ श्रोता की वरीयताओं को जोड़ते हैं जिनके पास समान संगीत स्वाद है।
मशीन लर्निंग, फ्यूल सिक्योरिटी फर्मों से लेकर सभी ट्रेडों में स्वचालित कार्यों और कई उद्योगों में फैले ईंधन की खोज करता है, जो कि ट्रेडों की तलाश में वित्त पेशेवरों के लिए मैलवेयर का शिकार होता है। वे आभासी व्यक्तिगत सहायकों की तरह काम करने के लिए डिज़ाइन किए गए हैं, और वे काफी अच्छी तरह से काम करते हैं।
व्यावहारिक रूप से, deep learningमशीन सीखने का सिर्फ एक सबसेट है। यह तकनीकी रूप से मशीन लर्निंग है और एक समान तरीके से कार्य करता है (इसलिए क्यों शब्द कभी-कभी शिथिल होते हैं), लेकिन इसकी क्षमताएं अलग हैं।
बेसिक मशीन लर्निंग मॉडल उनके कार्य जो भी हो, उत्तरोत्तर बेहतर हो जाते हैं, लेकिन वे अभी भी कुछ मार्गदर्शन करते हैं। यदि एक एमएल एल्गोरिथ्म एक गलत भविष्यवाणी देता है, तो एक इंजीनियर को इसमें कदम रखने और समायोजन करने की आवश्यकता होती है। लेकिन एक गहन शिक्षण मॉडल के साथ, एल्गोरिदम अपने दम पर निर्धारित कर सकते हैं कि कोई भविष्यवाणी सटीक है या नहीं।
डीप लर्निंग मशीन लर्निंग का सबसेट है।
मशीन लर्निंग और डीप लर्निंग दोनों दो अलग चीजें नहीं हैं। डीप लर्निंग मशीन लर्निंग के रूप में से एक है। तंत्रिका नेटवर्क में परतों का स्तर अधिक से अधिक गहराई से सीखने में दीप सीखने का हिस्सा है।
“डीप लर्निंग एक विशेष प्रकार की मशीन लर्निंग है जो दुनिया को अवधारणाओं के नेस्टर्ड पदानुक्रम के रूप में प्रतिनिधित्व करने के लिए महान शक्ति और लचीलेपन को प्राप्त करती है, प्रत्येक अवधारणा के साथ सरल अवधारणाओं के संबंध में परिभाषित किया गया है, और कम सार वाले लोगों के संदर्भ में गणना की गई अधिक अमूर्त अभ्यावेदन। "