ההבדל בין למידה עמוקה ללמידת מכונה מול AI

מהו AI?

AI (בינה מלאכותית) הוא ענף של מדעי המחשב בו מכונות מתוכנתות ונותנות להן יכולת קוגניטיבית לחשוב ולחקות פעולות כמו בני אדם ובעלי חיים. אמת המידה ל- AI היא אינטליגנציה אנושית בנוגע להיגיון, דיבור, למידה, ראייה ופתרון בעיות, רחוקה בעתיד.

ל- AI שלוש רמות שונות:

  1. AI צר : הבינה המלאכותית היא צרה כאשר המכונה יכולה לבצע משימה ספציפית טוב יותר מאדם. המחקר הנוכחי של AI נמצא כאן כעת
  2. AI כללי : בינה מלאכותית מגיעה למצב הכללי כאשר היא יכולה לבצע כל משימה אינטלקטואלית באותה רמת דיוק כמו שהאדם היה עושה
  3. AI פעיל : AI הוא פעיל כאשר הוא יכול לנצח בני אדם במשימות רבות

מערכות AI מוקדמות השתמשו בהתאמת תבניות ומערכות מומחים.

סקירה כללית של מערכת הבינה המלאכותית



במדריך זה תלמד-

מהו ML?

ML (למידת מכונה) הוא סוג של AI שבו מחשב מאומן לאוטומט משימות שהן ממצות או בלתי אפשריות לבני אדם. זהו הכלי הטוב ביותר לנתח, להבין ולזהות דפוסים בנתונים המבוססים על חקר אלגוריתמים ממוחשבים. למידת מכונה יכולה לקבל החלטות תוך התערבות אנושית מינימלית.

בהשוואת בינה מלאכותית מול למידת מכונה, למידת מכונה משתמשת בנתונים כדי להאכיל אלגוריתם שיכול להבין את הקשר בין הקלט והפלט. כשהמכונה סיימה ללמוד, היא יכולה לחזות את הערך או את המעמד של נקודת נתונים חדשה.

מהי למידה עמוקה?

למידה עמוקה היא תוכנת מחשב המחקה את רשת הנוירונים במוח. זוהי קבוצת משנה של למידת מכונה ונקראת למידה עמוקה מכיוון שהיא עושה שימוש ברשתות עצביות עמוקות. המכונה משתמשת בשכבות שונות כדי ללמוד מהנתונים. עומק המודל מיוצג על ידי מספר השכבות במודל. למידה מעמיקה היא המצב החדש ביותר בתחום הבינה המלאכותית. בלמידה מעמיקה שלב הלמידה מתבצע באמצעות רשת עצבית. רשת עצבית היא ארכיטקטורה שבה השכבות מוערמות זו על זו

תהליך למידת מכונה

תאר לעצמך שאתה אמור לבנות תוכנית שמזהה אובייקטים. כדי להכשיר את הדגם, תשתמש ב- מסווג . מסווג משתמש בתכונות של אובייקט כדי לנסות לזהות את המחלקה שאליה הוא שייך.

בדוגמה, המסווג יוכשר לזהות אם התמונה היא:

  • אופניים
  • סִירָה
  • אוטו
  • מָטוֹס

ארבעת האובייקטים לעיל הם המחלקה שהסווג צריך לזהות. כדי לבנות מסווג, עליך לקבל כמה נתונים כקלט ולהקצות לו תווית. האלגוריתם ייקח נתונים אלה, ימצא תבנית ולאחר מכן יסווג אותם במחלקה המתאימה.

משימה זו נקראת למידה בפיקוח. בלמידה בפיקוח, נתוני האימון שאתה מזין לאלגוריתם כוללים תווית.

אימון אלגוריתם דורש לבצע מספר שלבים סטנדרטיים:

  • אסוף את הנתונים
  • לאמן את המסווג
  • לעשות תחזיות

השלב הראשון הוא הכרחי, בחירת הנתונים הנכונים תגרום לאלגוריתם להצליח או לכישלון. הנתונים שאתה בוחר להכשיר את המודל נקראים a תכונה. בדוגמת האובייקט, התכונות הן הפיקסלים של התמונות.

כל תמונה היא שורה בנתונים בעוד שכל פיקסל הוא עמודה. אם התמונה שלך היא בגודל 28x28, מערך הנתונים מכיל 784 עמודות (28x28). בתמונה למטה, כל תמונה הפכה לווקטור תכונה. התווית מספרת למחשב איזה אובייקט יש בתמונה.

תהליך למידת מכונה

המטרה היא להשתמש בנתוני אימון אלה כדי לסווג את סוג האובייקט. השלב הראשון מורכב מיצירת עמודות התכונות. לאחר מכן, השלב השני כולל בחירת אלגוריתם לאימון המודל. בסיום האימון, המודל יחזה איזו תמונה מתאימה לאיזה אובייקט.

לאחר מכן, קל להשתמש במודל לחיזוי תמונות חדשות. עבור כל תמונה חדשה שנכנסת לדגם, המכונה תחזה את המעמד שאליו הוא שייך. לדוגמה, תמונה חדשה לגמרי ללא תווית עוברת במודל. עבור בן אדם, זה טריוויאלי לדמיין את התמונה כמכונית. המכונה משתמשת בידע הקודם שלה גם כדי לחזות שהתמונה היא מכונית.

תהליך למידה עמוקה

בלמידה מעמיקה שלב הלמידה מתבצע באמצעות רשת עצבית. רשת עצבית היא ארכיטקטורה שבה השכבות מוערמות זו על זו.

שקול את אותה דוגמה לתמונה למעלה. מערך ההדרכה יוזן לרשת עצבית

כל קלט נכנס לנוירון ומוכפל במשקל. התוצאה של הכפל זורמת לשכבה הבאה והופכת לקלט. תהליך זה חוזר על עצמו עבור כל שכבה של הרשת. השכבה הסופית נקראת שכבת הפלט; הוא מספק ערך ממשי למשימת הרגרסיה והסתברות של כל מחלקה למשימת הסיווג. הרשת העצבית משתמשת באלגוריתם מתמטי כדי לעדכן את המשקל של כל הנוירונים. הרשת העצבית מאומנת במלואה כאשר ערך המשקולות נותן תפוקה קרובה למציאות. לדוגמה, רשת עצבית מאומנת היטב יכולה לזהות את האובייקט בתמונה בדיוק גבוה יותר מאשר הרשת העצבית המסורתית.

תהליך למידה עמוקה



הפקת תכונת הפקת תכונות באמצעות DL

מערך נתונים יכול להכיל עשרות עד מאות תכונות. המערכת תלמד מהרלוונטיות של תכונות אלה. עם זאת, לא כל התכונות בעלות משמעות לאלגוריתם. חלק מכריע בלמידת מכונה הוא למצוא מערך תכונות רלוונטי כדי לגרום למערכת ללמוד משהו.

אחת הדרכים לבצע חלק זה בלמידת מכונה היא שימוש בחילוץ תכונות. מיצוי תכונות משלב תכונות קיימות ליצירת מערך תכונות רלוונטי יותר. ניתן לעשות זאת באמצעות PCA, T-SNE או כל אלגוריתם להפחתת ממדים אחרים.

לדוגמה, עיבוד תמונה, המתרגל צריך לחלץ את התכונה באופן ידני בתמונה כמו העיניים, האף, השפתיים וכן הלאה. התכונות שחולצו הן הזנה למודל הסיווג.

למידה מעמיקה פותרת בעיה זו, במיוחד עבור רשת עצבית מתפתלת. השכבה הראשונה ברשת עצבית תלמד פרטים קטנים מהתמונה; השכבות הבאות ישלבו את הידע הקודם ליצירת מידע מורכב יותר. ברשת העצבית המתפתחת, מיצוי התכונות מתבצע בעזרת המסנן. הרשת מחילה מסנן על התמונה כדי לראות אם יש התאמה, כלומר, צורת התכונה זהה לחלק מהתמונה. אם יש התאמה, הרשת תשתמש במסנן זה. לכן תהליך מיצוי התכונות מתבצע באופן אוטומטי.

למידת מכונה מסורתית מול למידה עמוקה

ההבדל בין למידת מכונה ללמידה עמוקה

להלן הבדל מרכזי בין למידה עמוקה מול למידת מכונה

למידת מכונה

למידה עמוקה

תלות בנתונים

ביצועים מצוינים במערך נתונים קטן/בינוני

ביצועים מצוינים במאגר נתונים גדול

תלות בחומרה

עבודה על מכונה ברמה נמוכה.

דורש מכונה עוצמתית, רצוי עם GPU: DL מבצעת כמות כפולה משמעותית של מטריקס

הנדסת תכונה

צריך להבין את התכונות שמייצגות את הנתונים

אין צורך להבין את התכונה הטובה ביותר שמייצגת את הנתונים

זמן ביצוע

מכמה דקות עד שעות

עד שבועות. רשת עצבית צריכה לחשב מספר משמעותי של משקולות

פרשנות

יש אלגוריתמים שקל לפרש אותם (לוגיסטי, עץ החלטות), חלקם כמעט בלתי אפשריים (SVM, XGBoost)

קשה עד בלתי אפשרי

מתי להשתמש ב- ML או DL?

בטבלה שלהלן, אנו מסכמים את ההבדל בין למידת מכונה ו למידה עמוקה עם דוגמאות.

למידת מכונה למידה עמוקה
מערך נתונים להכשרה קָטָןגָדוֹל
בחר תכונות כןלא
מספר אלגוריתמים רבמְעַטִים
זמן אימון קצרארוך

עם למידת מכונה, אתה צריך פחות נתונים כדי לאמן את האלגוריתם מאשר למידה עמוקה. למידה מעמיקה דורשת מערך מידע נרחב ומגוון לזיהוי המבנה הבסיסי. חוץ מזה, למידת מכונה מספקת מודל בעל הכשרה מהירה יותר. ארכיטקטורת הלמידה העמוקה המתקדמת ביותר יכולה להימשך מספר ימים עד שבוע. היתרון של למידה עמוקה על פני למידת מכונה הוא שהיא מדויקת ביותר. אינך צריך להבין אילו מאפיינים הם הייצוג הטוב ביותר של הנתונים; הרשת העצבית למדה כיצד לבחור תכונות קריטיות. בלימוד מכונה אתה צריך לבחור בעצמך אילו תכונות לכלול במודל.

סיכום

בינה מלאכותית היא הקניית יכולת קוגניטיבית למכונה. השוואת AI מול למידת מכונה, מערכות AI מוקדמות השתמשו בהתאמת תבניות ומערכות מומחים.

הרעיון מאחורי למידת מכונה הוא שהמכונה תוכל ללמוד ללא התערבות אנושית. המכונה צריכה למצוא דרך ללמוד כיצד לפתור משימה בהתחשב בנתונים.

למידה עמוקה היא פריצת הדרך בתחום הבינה המלאכותית. כשיש מספיק נתונים להתאמן עליהם, למידה עמוקה משיגה תוצאות מרשימות, במיוחד לזיהוי תמונות ותרגום טקסט. הסיבה העיקרית היא שחילוץ התכונות מתבצע באופן אוטומטי בשכבות השונות של הרשת.