همانطور که در دورههای گذشته مطالعه کردیم، یادگیری عمیق یک زیر حوزه از یادگیری ماشین بوده و یادگیری ماشین نیز خود، زیر حوزهای از هوش مصنوعی است. اما به دلیل عملکرد خوبِ الگوریتمهای یادگیری عمیق بر روی برخی از مسائل و همچنین دخالتِ کمتر انسان در فرآیند یادگیری، این الگوریتمها به نوعی یه زیر حوزهی جدا را تشکیل دادهاند.
به شکل زیر که در دورههای گذشته در مورد آن صحبت کرده بودیم نگاهی بیندازید:
در شکل بالا، مشخص است که یادگیری عمیق در واقع زیر مجموعهای از یادگیری ماشین بوده و اشتراکاتی با دادهکاوی و علوم داده نیز دارد. از یک نگاه یا دیدِ دیگر، میتوان الگوریتمهای یادگیری ماشین را به دو دوستهی یادگیری ماشین کلاسیک و یادگیری عمیق تقسیمبندی کرد، چیزی شبیه به شکل زیر:
در واقع الگوریتمهایی که در دورهی طبقهبندی یا دورهی خوشهبندی در چیستیو بیان شد، زیر مجموعهی یادگیری ماشین کلاسیک بودند و الگوریتمهایی که در دورهی جاری مورد بحث قرار میگیرد، الگوریتمهایی هستند که زیر مجموعهی یادگیری عمیق قرار میگیرند.
یکی از تفاوتهای الگوریتمهای یادگیری عمیق این است که آنها از شبکههای عصبی مصنوعی استفاده میکنند در حالی که الگوریتمهای یادگیری ماشین کلاسیک از روشها و فرمولهای آماری، قضیهی بیز یا معیارهای فاصله و… استفاده میکنند. به صورت کلی، الگوریتمهای شبکههای عصبی عمیق، ساختاری پیچیدهتر دارند و یادگیری در آنها (بسته به پیچیدگی ساختارشان) ممکن است هزینهبر باشد ولی در بسیاری از موارد، الگوریتمهای یادگیری عمیق دقت بالاتری نسبت به الگوریتمهای کلاسیک در یادگیری ماشین دارند.
یکی دیگر از تفاوتها این است که الگوریتمهای یادگیری عمیق عموماً عملیات مهندسی و انتخاب ویژگی و برخی پیشپردازشها را درون خود و به صورت اتوماتیک انجام میدهند. این تفاوت در شکل زیر قابل مشاهده است:
همانطور که در شکل بالا مشخص است، الگوریتمهای یادگیری ماشین کلاسیک، معمولاً نیاز دارند که دادهها توسط یک عنصر خارجی (مثلاً انسان) پیشپردازش شده و دادهها به صورت مهندسی شده (با انتخاب ویژگی) به آنها تزریق شود. این در حالیست که الگوریتمهای یادگیری عمیق عموماً این کار را در ساختار خود انجام میدهند و با یادگیری، سعی میکنند بهترین پیشپردازش و انتخاب ویژگی را در چهارچوبِ تعریف شده برای شبکه داشته باشند.
یکی دیگر از تفاوتهای یادگیری عمیق و یادگیری ماشین کلاسیک، حجم دادههاست. الگوریتمهای شبکهی عصبی به پایهی الگوریتمهای یادگیری عمیق هستند، معمولاً نیاز به حجم بالایی از دادهها دارند تا با مشاهدهی این دادهها، وزنها را بههنگام (آپدیت) کرده و فرآیند یادگیری را انجام دهند.
- ۱ » یادگیری عمیق (Deep Learning) چیست؟
- ۲ » تفاوت یادگیری عمیق (Deep Learning) با یادگیری ماشین کلاسیک
- ۳ » تفاوت شبکههای عصبی (Neural Networks) با یادگیری عمیق (Deep Learning) چیست؟
- ۴ » مشکل محوشدگی گرادیان (Gradient Vanishing) در شبکههای عصبی عمیق
- ۵ » مشکل انفجار گرادیان (Exploding Gradients) در شبکههای عصبی عمیق
- ۶ » توابع فعالسازی (Activation Functions) در شبکههای عصبی عمیق
- ۷ » شبکه عصبی پیچشی (Convolutional Neural Network) در یادگیری عمیق
- ۸ » شبکه عصبی بازگشتی (Recurrent Neural Network)
- ۹ » انواع شبکههای عصبی بازگشتی (RNN) و کاربرد آنها
- ۱۰ » شبکه عصبی بازگشتی با حافظهی طولانی کوتاه مدت (LSTM)
- ۱۱ » شبکه عصبی واحد بازگشتی دروازهدار (GRU)
- ۱۲ » شبکههای عصبی عمیق توالی به توالی (Seq2Seq)
درود بر شما
ممنون از توضیحاتتون ، خیلی ساده تفاوت دو مبحث رو بیان کردید.
مانا باشید.