Głębokie uczenie to specjalizowany podzbiór uczenia maszynowego
Jaka jest prawdziwa różnica między uczeniem maszynowym a głębokim uczeniem? Krótka odpowiedź brzmi: głębokie uczenie to rodzaj uczenia maszynowego, ale wykorzystuje sieci neuronowe z wieloma warstwami do nauki z danych w inny sposób.
To brzmi schludnie. Nieuporządkowana część tkwi w tym, co zmienia się w praktyce. Obie koncepcje należą do tej samej rodziny, ale rozwiązują problemy przy użyciu różnych narzędzi, wymagają odmiennych danych i wiążą się z bardzo różnym poziomem wysiłku.
Uczenie maszynowe to szersza dziedzina. Obejmuje systemy, które uczą się wzorców z danych zamiast podążać za ręcznie pisanymi regułami. Wchodzą w to metody nadzorowane, takie jak regresja liniowa, regresja logistyczna, lasy losowe i maszyny wektorów nośnych. Obejmuje również metody nienadzorowane, takie jak K-średnich i PCA, oraz metody uczenia z nagrodą, takie jak Q-learning i DQN.
Głębokie uczenie znajduje się wewnątrz tego szerszego pola. Wykorzystuje sztuczne sieci neuronowe z wieloma warstwami. Dzięki tym warstwom model może krok po kroku budować użyteczne wzorce, zaczynając od surowego wejścia. Efektem jest model, który potrafi nauczyć się rzeczy, które człowiek musiałby często projektować ręcznie.
Ten punkt ma największe znaczenie w obsłudze cech (feature handling). W klasycznym uczeniu maszynowym ludzie często sami wybierają i tworzą cechy wejściowe. Na przykład, jeśli zadaniem jest wykrywanie oszustw, ktoś może utworzyć flagi, stosunki lub liczniki na podstawie danych transakcyjnych zanim model je zobaczy. W głębokim uczeniu model potrafi samodzielnie uczyć się użytecznych cech z surowych danych. Dlatego głębokie uczenie tak dobrze sprawdza się w przypadku obrazów, mowy i tekstu. Potrafi nauczyć się krawędzi, kształtów, słów i innych użytecznych wzorców bez potrzeby, aby człowiek nazwał każdy z nich.
To pierwsza praktyczna rozbieżność, którą odczuwają inżynierowie. Uczenie maszynowe wymaga większej ludzkiej oceny na początku. Głębokie uczenie wymaga więcej danych i większej mocy obliczeniowej, a następnie wykonuje większą część pracy związanej z cechami samodzielnie.
Rozmiar danych to kolejna duża różnica. Wiele metod uczenia maszynowego dobrze działa na małych i średnich zbiorach danych. Nie potrzebują milionów oznaczonych przykładów, aby stać się użytecznymi. Głębokie uczenie zazwyczaj chce znacznie więcej danych, często bardzo dużego, oznaczonego zestawu. Poprawia się wraz z dodawaniem nowych danych, ponieważ model uczy się złożonych wzorców wykraczających poza podstawowe reguły.
Nie oznacza to, że głębokie uczenie zawsze utknęło w oczekiwaniu na ogromne zbiory danych. Transfer learning pomaga w tej kwestii. Model głęboki może rozpocząć pracę od dużego modelu wcześniej wytrenowanego, a następnie dostosować go do mniejszego, oznaczonego zbioru. To jeden z powodów, dla których nowoczesne głębokie uczenie jest praktyczne w miejscach, gdzie zbieranie świeżo oznaczonych etykiet jest trudne.
Obliczenia to trzecia rozbieżność. Większość tradycyjnych algorytmów uczenia maszynowego trenuje szybko na procesorach CPU. Sprawia to, że są łatwe do użycia w wielu zwykłych środowiskach oprogramowania
