Машинное обучение относится к тенденциям 21 века. Или это было глубокое обучение? Или искусственный интеллект? В чем разница и сходство между ними?
Машинное обучение
Машинное обучение (ML) — это свод математических методов распознавания образов. Эти методы распознают шаблоны, например, путем разделения данных на иерархические структуры (дерево решений) или использования векторов для определения сходства между наборами данных (например, k-NN или k-Means).
Алгоритмы машинного обучения способны решать множество общих, а также специфических типов проблем. Практически инженер по машинному обучению имеет дело с проблемами, если данных недостаточно или слишком много измерений данных. Это приводит к увеличению сложности и снижению производительности.
Проблемы с несколькими измерениями
Точки данных в двумерном пространстве можно вообразить. Мы брали лист бумаги и заполняли его точками данных. Вы также можете представить себе три измерения. Но если мы добавим больше, расстояния между точками станут больше. N-мерные комнаты могут быть очень большими, что может повлиять на производительность алгоритмов.
Разработка функций
Чтобы уменьшить количество измерений, инженеры по машинному обучению используют статистические методы для уменьшения количества измерений, которые называются функциями. Этот процесс выбора называется проектированием признаков. Во время цикла разработки специалисты по данным работают не над своими алгоритмами, а над выбором правильных функций.
Глубокое обучение
Глубокое обучение (DL) — это дисциплина машинного обучения с использованием искусственных нейронных сетей. Идеи для деревьев решений, k-NN или k-Means были разработаны с использованием математической логики, но для искусственных нейронных сетей существует только одна модель для подражания: биологические нейронные сети.
Входной вектор (строка из нескольких измерений) — это слой, который расширяется или сокращается с помощью нейронов через несколько других слоев, пока не будет достигнут выходной слой. Благодаря обучению корреляции между нейронами адаптируются для создания входных паттернов (например, изображений животных), ведущих к определенным выходным паттернам (например, кошка на картинке).
Преимущество нейронных сетей заключается в том, что они способны распознавать глубокие абстракции и корреляции между входными данными и абстрагированными нейронными значениями с выходными данными. Это происходит с использованием нескольких уровней сетей, способных решать очень специфические проблемы. Эти факты являются причиной названия «глубокое обучение».
Глубокое обучение используется, если другие методы машинного обучения достигают своих пределов.
Искусственный интеллект
Искусственный интеллект (ИИ) — это научная часть, которая включает в себя машинное обучение, но также содержит другие темы, необходимые для создания ИИ. ИИ должен не просто учиться, он должен эффективно сохранять знания, быстро заказывать и получать к ним доступ. Он должен использовать логику, чтобы применить полученные знания.
