Machine Learning vs Deep Learning: Unawain ang Mga Pagkakaiba

Panimula: Mga Konsepto na Kadalasang Nakakalito

Ang machine learning, deep learning, at neural network ay mga terminong palagi mong naririnig sa artificial intelligence news. Maraming tao ang gumagamit ng mga salitang ito nang palitan, ngunit inilalarawan nila ang iba't ibang teknolohiya, bawat isa ay may sariling saklaw at aplikasyon.

Nangyayari ang pagkalito dahil ang isa ay nakapaloob sa isa pa: ang mga neural network ay isang machine learning technique, at ang malalim na pag-aaral ay isang ebolusyon ng mga neural network. Ang pag-unawa sa hierarchy na ito ay mahalaga sa pag-unawa kung paano gumagana ang AI at kung anong mga tool ang lumulutas ng iba't ibang problema.

Sa gabay na ito, sisirain natin ang mga konseptong ito at magpapakita ng mga praktikal na halimbawa kung paano gumagana ang bawat isa sa totoong mundo.

Machine Learning: Ang Payong ng Lahat ng Algorithm

Ano ang Machine Learning?

Ang machine learning ay ang pinakamalawak na larangan, na sumasaklaw sa anumang sistema na natututo mula sa data, nang hindi tahasang naka-program para sa bawat sitwasyon.Sa halip na sundin ang mahigpit na mga tagubilin, tinutukoy ng mga algorithm ng machine learning ang mga pattern sa data at ginagamit ang mga pattern na iyon upang gumawa ng mga hula.

Isipin ang isang email spam filter. Ang isang programmer ay hindi maaaring magsulat ng isang panuntunan para sa bawat posibleng spam email. Kaya sinusuri ng isang machine learning algorithm ang milyun-milyong email (minarkahan bilang spam o lehitimo) at awtomatikong natututo kung aling mga feature ang nagpapahiwatig ng spam: mga kahina-hinalang salita, hindi kilalang nagpadala, kakaibang format, atbp.

Ang Tatlong Pangunahing Uri ng Pag-aaral ng Machine

Pinangangasiwaang Pag-aaral: Natututo ang algorithm mula sa may label na data. Nagbibigay ka ng mga halimbawa ng input na may tamang sagot, at natututo ang system ng pattern. Halimbawa: uriin ang mga email bilang spam o non-spam gamit ang kasaysayan ng mga naiuri nang email.

Unsupervised Learning: Walang paunang natukoy na mga tamang sagot. Ang algorithm ay nakakahanap ng mga istruktura o pagpapangkat sa data sa sarili nitong. Halimbawa: pagsusuri sa mga customer ng isang tindahan upang makahanap ng mga pangkat na may katulad na pag-uugali, nang hindi nalalaman nang maaga kung gaano karaming mga grupo ang mayroon.

Reinforcement Learning: Natututo ang algorithm sa pamamagitan ng pagsubok at error, pagtanggap ng mga gantimpala o mga parusa. hal, isang robot na natututong maglakad o isang programa na natututong maglaro ng chess sa pamamagitan ng unti-unting pagpapabuti ng diskarte nito.

Mga Neural Network: Isang Tukoy na Uri ng Pag-aaral ng Machine

Paano Gumagana ang Neural Networks

Ang mga neural network ay isang paraan sa loob ng machine learning na inspirasyon ng utak ng tao. Binubuo ang mga ito ng mga layer ng magkakaugnay na mga yunit na tinatawag na artipisyal na neurons.Ang bawat neuron ay tumatanggap ng impormasyon, pinoproseso ito, at ipinapasa ito.

Ang isang simpleng neural network ay may tatlong bahagi: input layer (data), hidden layers (processing), at output layer (result). Sa panahon ng pagsasanay, ang mga timbang ng mga koneksyon sa pagitan ng mga neuron ay inaayos upang mabawasan ang mga error.

Kailan Gamitin ang Mga Neural Network sa halip na Iba Pang Algorithm

Ang mga neural network ay kumikinang kapag mayroon ka nito maraming data e kumplikadong mga pattern tunay na mga halimbawa: pagkilala sa mga mukha sa mga larawan, pag-unawa sa natural na pagsasalita, pag-diagnose ng mga sakit mula sa mga medikal na larawan.

Para sa mga simpleng problema sa maliit na data, mas mahusay ang mga mas lumang algorithm tulad ng mga decision tree o linear regression. Ang isang neural network na may milyun-milyong parameter ay labis na labis upang mahulaan kung ang isang kliyente ay magre-renew ng isang subscription batay sa 3 katangian.