Différences entre l'apprentissage automatique et l'apprentissage en profondeur

Qu'est-ce que l'apprentissage automatique?

L'apprentissage automatique est un ensemble de méthodes utilisées pour créer des programmes informatiques qui peuvent apprendre des observations et faire des prédictions. L'apprentissage automatique utilise des algorithmes, des régressions et des sciences connexes pour comprendre les données. Ces algorithmes peuvent généralement être considérés comme des modèles et réseaux statistiques.

Qu'est-ce que l'apprentissage en profondeur?

Le Deep Learning est un sous-ensemble de méthodes d'apprentissage automatique. Les données sont analysées à travers plusieurs couches d'un réseau d'apprentissage en profondeur afin que le réseau puisse tirer des conclusions et prendre des décisions concernant les données. Les méthodes d'apprentissage en profondeur permettent une grande précision sur les grands ensembles de données, mais ces fonctionnalités rendent l'apprentissage en profondeur beaucoup plus en ressources que l'apprentissage automatique classique.

Différences entre l'apprentissage automatique et l'apprentissage en profondeur

Relation avec l'intelligence artificielle

Depuis plusieurs décennies, l'apprentissage automatique est utilisé comme méthode de réalisation de l'intelligence artificielle dans les machines. À la base, le domaine de l'apprentissage automatique est axé sur la création d'ordinateurs qui peuvent apprendre et prendre des décisions, ce qui rend l'apprentissage automatique bien adapté à la recherche sur l'intelligence artificielle. Cependant, tous les modèles d'apprentissage automatique ne sont pas censés développer une «vraie» intelligence artificielle qui correspond parfaitement ou dépasse l'intelligence humaine. Au lieu de cela, les modèles sont souvent conçus pour rechercher des problèmes limités spécifiques.

Le Deep Learning a été proposé dans les premiers stades des discussions sur l'apprentissage automatique, mais peu de chercheurs ont poursuivi des méthodes d'apprentissage en profondeur parce que les exigences de calcul de l'apprentissage en profondeur sont beaucoup plus importantes que dans l'apprentissage automatique classique. Cependant, la puissance de calcul des ordinateurs a augmenté de façon exponentielle depuis 2000, permettant aux chercheurs d'apporter d'énormes améliorations dans l'apprentissage automatique et la construction de l'intelligence artificielle. Parce que les modèles d'apprentissage en profondeur évoluent bien avec des données accrues, le deep Learning a le potentiel de surmonter des obstacles importants dans la création d'une véritable intelligence artificielle.

Construction de base en machine et en profondeur

L'apprentissage automatique et l'apprentissage en profondeur sont tous deux algorithmiques. Dans l'apprentissage automatique classique, les chercheurs utilisent une quantité relativement faible de données et décident quelles sont les caractéristiques les plus importantes dans les données dont l'algorithme a besoin afin de faire des prédictions. Cette méthode est appelée ingénierie des fonctionnalités. Par exemple, si un programme d'apprentissage automatique apprenait à reconnaître l'image d'un avion, ses programmeurs feraient des algorithmes qui permettaient au programme de reconnaître les formes, les couleurs et les tailles typiques des avions commerciaux. Avec ces informations, le programme d'apprentissage automatique ferait des prédictions sur la question de savoir si les images qui sont présentées avec des avions inclus.

Le Deep Learning est généralement différencié de l'apprentissage machine classique par ses nombreuses couches de prise de décision. Les réseaux d'apprentissage en profondeur sont souvent considérés comme des «boîtes noires» car les données sont analysées à travers plusieurs couches de réseau qui font chacune des observations. Cela peut rendre les résultats plus difficiles à comprendre que les résultats en apprentissage automatique classique. Le nombre exact de couches ou d'étapes dans la prise de décision dépend du type et de la complexité du modèle choisi.

Données et évolutivité dans la machine et l'apprentissage en profondeur

L'apprentissage automatique utilise traditionnellement de petits ensembles de données à partir desquels apprendre et faire des prédictions. Avec de petites quantités de données, les chercheurs peuvent déterminer des fonctionnalités précises qui aideront le programme d'apprentissage automatique à comprendre et à apprendre des données. Cependant, si le programme se présente sur des informations qu'il ne peut pas classer en fonction de ses algorithmes préexistants, les chercheurs devront généralement analyser manuellement les données problématiques et créer une nouvelle fonctionnalité. Pour cette raison, l'apprentissage machine classique ne s'évolue généralement pas avec des quantités massives de données, mais elle peut minimiser les erreurs sur les ensembles de données plus petits.

L'apprentissage en profondeur est particulièrement adapté aux grands ensembles de données, et les modèles nécessitent souvent que les grands ensembles de données soient utiles. En raison de la complexité d'un réseau d'apprentissage en profondeur, le réseau a besoin d'une quantité substantielle de données de formation et de données supplémentaires pour tester le réseau après la formation. Actuellement, les chercheurs affinent des réseaux d'apprentissage en profondeur qui peuvent être plus efficaces et utilisent des ensembles de données plus petits.

Exigences de performance pour l'apprentissage en machine et en profondeur

L'apprentissage automatique a des exigences de performance informatique variables. Il existe de nombreux modèles qui peuvent être exécutés sur l'ordinateur personnel moyen. Plus les méthodes statistiques et mathématiques sont avancées, plus il est difficile pour l'ordinateur de traiter rapidement les données.

Le deep Learning a tendance à être très à forte intensité de ressources. Analyser de grandes quantités d'informations à travers plusieurs couches de prise de décision nécessite beaucoup de puissance de calcul. À mesure que les ordinateurs deviennent plus rapides, l'apprentissage en profondeur est de plus en plus accessible.

Limitations de la machine et de l'apprentissage en profondeur

Traditionnellement, l'apprentissage automatique a quelques limitations communes et significatives. Le sur-ajustement est un problème statistique qui peut affecter un algorithme d'apprentissage automatique. Un algorithme d'apprentissage automatique contient une certaine «erreur» lors de l'analyse et de la prévision avec des données. L'algorithme est censé montrer une relation entre les variables pertinentes, mais en sur-ajustement, il commence également à capturer l'erreur, ce qui conduit à un modèle «plus bruyant» ou inexact. Les modèles d'apprentissage automatique peuvent également être biaisés vers les idiosyncrasies des données avec lesquelles ils ont été formés, un problème qui est particulièrement évident lorsque les chercheurs forment.

Deep Learning a les mêmes pièges statistiques que l'apprentissage automatique classique, ainsi que quelques problèmes uniques. Pour de nombreux problèmes, il n'y a pas suffisamment de données disponibles pour former un réseau d'apprentissage en profondeur raisonnablement précis. Il est souvent prohibitif ou impossible de recueillir plus de données sur ou de simuler un problème réel, ce qui limite la gamme actuelle de sujets pour lesquels l'apprentissage en profondeur peut être utilisé.

Tableau de comparaison pour la machine et l'apprentissage en profondeur

Résumé de la machine vs. L'apprentissage en profondeur

L'apprentissage automatique et l'apprentissage en profondeur décrivent tous deux des méthodes d'enseignement des ordinateurs pour apprendre et prendre des décisions. L'apprentissage en profondeur est un sous-ensemble d'apprentissage automatique classique, et certaines divergences importantes font que l'apprentissage en profondeur et l'apprentissage automatique adaptés à différentes applications.

• L'apprentissage automatique classique comprend souvent l'ingénierie des fonctionnalités par des programmeurs qui aident l'algorithme à faire des prédictions précises sur un petit ensemble de données. Les algorithmes d'apprentissage en profondeur sont généralement conçus avec plusieurs couches de prise de décision pour nécessiter une ingénierie de fonctionnalités moins spécifique.
• Le Deep Learning est traditionnellement utilisé pour de très grands ensembles de données afin que les réseaux ou les algorithmes puissent être formés pour prendre de nombreuses décisions en couches. L'apprentissage automatique classique utilise des ensembles de données plus petits et n'est pas aussi évolutif que l'apprentissage en profondeur.
• Bien que l'apprentissage en profondeur puisse bien apprendre sur de nombreuses données, il y a de nombreux problèmes où il n'y a pas suffisamment de données disponibles pour l'apprentissage en profondeur pour être utile. L'apprentissage en profondeur et l'apprentissage automatique partagent des limitations statistiques standard et peuvent être biaisés si l'ensemble de données de formation est très idiosyncrasique ou s'il a été collecté avec des techniques statistiques incorrectes.