تفاوت بین Machine Learning و Deep Learning

با خواندن این مطلب درک خوبی از یادگیری ماشین ( Machine Learning ) و یادگیری عمیق ( Deep Learning ) خواهید داشت. همچنین یاد می‌گیرید که از این دو اصطلاح به جای یکدیگر استفاده نکنید و بین آن‌ها تمایز قائل شوید.

عباراتی مانند “Machine Learning” و “Artificial Intelligence” (هوش مصنوعی) رواج یافته‌اند و امروزه افراد سعی می‌کنند این عبارات پیچیده را یاد بگیرند و کاربردهای بالقوه آن‌ها را بیاموزند. شرکت‌ها همچنین به مدیران ارشد داده و مهندسین یادگیری ماشین متکی هستند. چرا که آن‌ها وظیفه اتوماسیون کارهای روزمره، با کمک سیستم‌ها و کامپیوترهای هوشمند بر دوششان است. علاوه بر این، حوزه جدیدی از تحقیقات در زمینه هوش مصنوعی، به نام یادگیری عمیق وجود دارد. این حوزه در راه‌هایی که از طریق آن‌ها کامپیوتر وظایف انسان‌ها را، حتی بهتر از خودشان انجام می‌دهد و مشکلات و اتفاقات آینده را در صنعت‌های مختلف‌ پیش‌بینی می‌کند، انقلابی به وجود آورده است.

افراد اغلب در تمایز بین یادگیری ماشین و یادگیری عمیق دچار مشکل می‌شوند. با آشنایی بیشتر با این اصطلاحات، و شباهت‌ها و تفاوت‌های آن‌ها، می‌توان مسائل را در دو دسته مشکلات مربوط به یادگیری ماشین و مشکلات مربوط به یادگیری عمیق طبقه‌بندی کرد. این دو گاهی اوقات می‌توانند متفاوت از یکدیگر باشند. به ویژه در مورد روشی که در آن پیش‌بینی‌های مدل‌ها انجام می‌شود. من می‌خواهم مفاهیم را ساده‌سازی کنم و به شما کمک کنم تا درک خوبی از این موضوعات پیدا کنید.

یادگیری ماشین ( Machine Learning ) چیست؟

به بیان ساده، توانایی مدل‌های یادگیری ماشین در یادگیری الگوها و بینش‌های مهمی از داده‌هاست که منجر به پیش‌بینی‌ از رفتار داده‌هایی می‌شود که قبلاً ندیده‌اند. بنابراین، همه چیز این روش در مورد آموزش مدل‌ها و تکمیل آن‌ها از داده‌هایی است که از قبل در اختیار داریم. و سپس آن‌ها شروع به یادگیری از داده‌ها می‌کنند. هنگامی که آن‌ها بینش‌های مفید را به طور کامل از داده‌ها آموختند، و قادر به تعیین این شدند که چگونه هر یک از تک ویژگی‌ها می‌تواند در تولید یک برچسب خروجی خاص تأثیرگذار باشد، یاد می‌گیرند که با انجام پیش‌بینی‌های مفید، و بر اساس داده‌هایی که قبلاً آموزش دیده بودند، یادگیری خود را به داده‌هایی که قبلاً ندیده‌اند تعمیم دهند. به همین دلیل است که به آن یادگیری ماشین می‌گویند. به طور خلاصه در این روش ماشین از داده‌ها یاد می‌گیرد و برای داده‌هایی که از قبل ندیده‌ است، پیش‌بینی‌های مفید انجام می‌دهد.

یادگیری عمیق ( Deep Learning ) چیست؟

Deep Learning زیرشاخه‌ای ازMachine Learning است که در آن ساختار مدل از روشی مشابه روشی که انسان‌ها با آن جهان را درک می‌کنند، الهام می‌گیرد. با این حال، یادگیری عمیق مطمئناً به پیچیدگی درک ما انسان‌ها از جهان نیست. ولی به طور کلی از نحوه نگاه و درک ما به جهان الهام می گیرند. چرا که از واحدهای نورونی (مشابه نورون‌های مغز انسان) به همراه لایه‌های زیادی مابینشان (لایه پنهان و لایه فاینال) تشکیل می شوند. و نمایش‌هایی را از داده‌ها یاد می‌گیرد تا بتواند بر اساس یادگیری نهایی، به پیش‌بینی بپردازد. همچنین ذکر این نکته ضروری است که در هر یک از این واحدها (نورون‌ها) یک تابع فعال‌سازی وجود دارد. به طوری که یک تابع خطی به یک نمایش غیرخطی تبدیل می‌شود که می‌تواند برای استخراج الگوهای جالب از داده‌ها استفاده شود.

Machine Learning و Deep Learning چه شباهت‌هایی دارند؟

یادگیری ماشین اساساً به کامپیوترها آموزش می‌دهد که از داده‌ها بیاموزند و بر اساس آن درباره داده‌هایی که تا به حال ندیده‌اند، پیش‌بینی انجام دهند. یادگیری عمیق در واقع زیرمجموعه‌ای از یادگیری ماشین است که شامل آموزش شبکه‌ها برای یادگیری از داده‌ها و انجام پیش‌بینی‌های مفید بر اساس داده‌های آموزشی است. همچنین مهم است که توجه داشته باشید یادگیری عمیق تنها بخشی از یادگیری ماشین است. یک مدل یادگیری ماشین نباید فقط شامل یک شبکه neural یا فقط یک مدل یادگیری عمیق باشد. همچنین می‌تواند شامل الگوریتم‌های دیگری مانند ماشین‌های وکتور پشتیبان ( SVM ) ، رگرسیون خطی یا رگرسیون لجستیکی باشد.

تفاوت بین این دو چیست؟

هنگامی که سعی می‌کنیم در مورد یادگیری ماشین و چند مدل مانند decision trees ، random forests و غیره صحبت کنیم، همچنین همانقدر مهم است که در مورد feature engineering صحبت کنیم. باید در مورد این مسئله  صحبت کنیم که ویژگی‌های دقیق قبل از این‌که داده تغذیه شود، توسط مدیران ارشد داده یا مهندسین داده ایجاد می شوند. برعکس، یادگیری عمیق از شبکه‌های  neural به عنوان مدل‌ خود استفاده می‌کند. که این باعث می‌شود در استخراج ویژگی‌های مفید بدون دخالت انسان مفید واقع شود. با این حال، feature engineering همیشه می‌تواند به مدل‌های یادگیری عمیق در راستای پیش‌بینی داده کمک کند. داده‌هایی که به مدل می دهیم می‌توانند تصاویر یا فایل‌های صوتی همراه با لیبل‌های output باشند. در نتیجه، مدل‌های یادگیری عمیق، نمایش‌ها ( representations ) و ویژگی‌های مفید را بدون نیاز به feature engineering مستقیم از خود داده‌ها می‌آموزند. که این برخلاف شیوه انجام تسک‌ها و مدل‌سازی یادگیری ماشین است.

پیشرفت در زمینه Machine Learning

با افزایش داده‌ها همراه با بهبود قدرت محاسباتی مورد نیاز برای الگوریتم‌های ML می‌توان مشاهده کرد که جذابیت یادگیری ماشین در دهه اخیر به شدت رشد کرده است. از کاربردهای جالب یادگیری ماشین می‌توان تشخیص تقلب در تراکنش‌های بانکی، پیش‌بینی قیمت خودرو، پیش‌بینی نرخ رضایت مشتری و بسیاری از موارد دیگر را نام برد. امکانات و ابزارهای زیادی برای یادگیری ماشین وجود دارند. تنها چیزی که لازم است، داشتن داده‌های با کیفیت است که به طور دقیق لیبل‌گذاری شده باشند و بتوان از آن‌ها برای نظارت بر مدل‌ها (train ) استفاده کرد. و اطمینان حاصل کرد که آن‌ها پیش‌بینی‌هایی به خوبی عملکرد انسان و حتی فراتر از آن ارائه خواهند داد.

پیشرفت در زمینه Deep Learning

به طور مشابه، Deep Learning هم کاربردهای بسیار جالبی دارد که برخی از آن‌ها در اتومبیل‌های بدون راننده استفاده شده‌اند. در این فرآیند، اتومبیل‌ها یاد می‌گیرند ویژن‌ها و اشیا مختلف و معنایشان را پیش‌بینی کنند. توجه به این نکته مهم است که در این برنامه، مراقبت از دقت و این‌که مدل‌های یادگیری عمیق در واقع اشیاء را طبقه‌بندی می‌کنند، بسیار مهم است. اگر درصد خطا زیاد باشد، احتمال تصادف در اتومبیل‌های بدون راننده بالا می‌رود. به عنوان مثال، اگر دوربین خودرویی با قابلیت یادگیری عمیق فرض کند که هیچ علامت ایستی وجود ندارد، این می‌تواند تأثیر زیادی بر نحوه رانندگی و رعایت قوانین در جاده بگذارد. بنابراین، هنگام آموزش این مدل‌ها و اطمینان از این‌که مدل مورد استفاده، بهترین پیش‌بینی ها را ارائه می‌دهد، باید مراقب بود.

نتیجه‌گیری

در مجموع ما آموختیم که Machine Learning و Deep Learning چه شباهت‌ها و تفاوت‌هایی با هم دارند. علاوه بر این، ما چند مورد از کاربردهای جالب یادگیری عمیق و یادگیری ماشین را عنوان کردیم. با تشکر از وقتی که برای خواندن این مقاله گذاشتید.

منبع: towardsdatascience   نویسنده: سهاس مدعلی