딥 러닝 대 머신 러닝의 간단한 설명

딥 러닝 대 머신 러닝

딥 러닝과 머신 러닝, 그리고 인형을 위한 딥 러닝의 차이점에 대한 간단한 설명입니다. 딥 러닝은 구조화된 데이터를 통해 자체적으로 공급함으로써 원하는 출력을 생성하기 위해 인간의 개입 없이 스스로 수정할 수 있는 알고리즘 생성과 관련된 인공 지능의 하위 집합입니다. 딥 러닝 네트워크의 주요 장점은 두 동물을 분류하기 위해 사진의 구조화/레이블 데이터가 반드시 필요하지 않다는 것입니다.

기계 학습 알고리즘은 거의 항상 심층 네트워크(인공 신경망) 네트워크에 의존합니다. 두 유형의 AI 간의 차이점은 다양한 개념 계층을 통해 질문을 전달하여 문제를 해결하기 위해 시스템이 작동하는 방식에서 비롯됩니다.

딥 러닝과 머신 러닝은 지난 2년 동안 많은 관심을 받은 인공 지능의 두 가지 하위 집합입니다. 가능한 가장 간단한 방법으로 두 용어를 모두 이해하려는 경우 이보다 더 좋은 곳은 없습니다.

따라서 한동안 저와 함께하시면 딥 러닝과 머신 러닝의 차이점이 실제로 무엇인지 설명하고 새롭고 흥미로운 비즈니스 기회를 위해 이 두 가지 AI 하위 집합을 어떻게 활용할 수 있는지 설명하겠습니다.

딥 러닝 대 머신 러닝

시작하기 전에 딥 러닝과 머신 러닝이라는 용어가 의미하는 바에 대한 기본적인 이해에 익숙해지길 바랍니다. 그렇지 않은 경우 다음은 인형을 위한 딥 러닝 및 머신 러닝에 대한 몇 가지 간단한 정의입니다.

인형을 위한 머신 러닝

인간의 개입 없이 구조화된 데이터를 통해 스스로를 공급함으로써 원하는 출력을 생성할 수 있는 알고리즘 생성과 관련된 인공 지능의 하위 집합입니다.

인형을 위한 딥 러닝

알고리즘이 생성되고 기계 학습과 유사하게 작동하는 기계 학습의 하위 집합이지만 이러한 알고리즘에는 여러 계층이 있으며 각 계층은 기반 데이터에 대해 서로 다른 해석을 제공합니다. 이러한 알고리즘 네트워크는 인공 신경망이라고 하며, 기능이 영감을 받도록 명명되었습니다. 뇌에 존재하는 인간 신경망의 기능을 모방하려는 시도.

나는 그 정의를 가능한 가장 간단한 방법으로 넣으려고 노력했지만 차이점을 찾는 데 도움이 되지 않더라도 여기에 도움이 될 예가 있습니다.

머신 러닝과 딥 러닝 네트워크가 이를 어느 정도 이해해야 하면 어떻게 될까요?

당신이 보게 될 것은 고양이와 개의 사진 모음입니다. 이제 기계 학습 알고리즘과 딥 러닝 네트워크를 사용하여 개와 고양이의 이미지를 별도로 식별하려고 한다고 가정해 보겠습니다.

딥러닝 vs 머신러닝 기초 - 이 문제를 머신러닝으로 해결하면

ML 알고리즘이 컬렉션의 이미지를 개와 고양이의 두 가지 범주에 따라 분류하도록 하려면 이러한 이미지를 집합적으로 제시해야 합니다. 그러나 알고리즘은 어느 것이 어느 것인지 어떻게 알 수 있습니까?

인형을 위한 머신 러닝의 위 정의에서와 같이 이 질문에 대한 답은 구조화된 데이터입니다. 당신은 단순히 두 동물의 특정 특징을 정의하는 방식으로 개와 고양이의 사진에 라벨을 붙이기만 하면 됩니다. 이 데이터는 기계 학습 알고리즘이 학습하기에 충분할 것이며, 이해한 레이블을 기반으로 계속 작동하고 해당 레이블을 통해 학습한 기능에 따라 두 동물의 수백만 장의 다른 사진을 분류합니다.

딥러닝을 통해 문제가 해결되면

딥 러닝 네트워크는 이 문제를 해결하기 위해 다른 접근 방식을 취합니다. 딥 러닝 네트워크의 주요 장점은 두 동물을 분류하기 위해 사진의 구조화/레이블 데이터가 반드시 필요하지 않다는 것입니다. 딥 러닝을 사용하는 인공 신경망은 네트워크의 여러 계층을 통해 입력(이미지 데이터)을 전송하며, 각 네트워크는 이미지의 특정 기능을 계층적으로 정의합니다. 이것은 인간의 두뇌가 문제를 해결하기 위해 작동하는 방식과 유사한 방식으로, 다양한 개념 계층과 관련 질문을 통해 질문을 전달하여 답을 찾습니다.

데이터가 심층 신경망 내의 계층을 통해 처리된 후 시스템은 이미지에서 두 동물을 분류하기 위한 적절한 식별자를 찾습니다.

참고 : 이것은 기계 학습 기본 사항과 딥 러닝 네트워크가 작동하는 방식의 차이점을 이해하는 데 도움이 되는 예시일 뿐입니다. 딥 러닝과 머신 러닝은 실제로 이것을 포함하여 대부분의 경우에 동시에 적용할 수 없습니다. 같은 이유는 나중에 읽으면서 설명합니다.

그래서 그 예에서 우리는 기계 학습 알고리즘이 고양이와 개의 이미지 간의 차이점을 이해하고 분류를 학습한 다음 출력을 생성하기 위해 레이블이 지정된/구조화된 데이터가 필요함을 확인했습니다.

반면 딥 러닝 네트워크는 네트워크 계층 내에서 처리된 데이터를 통해 두 동물의 이미지를 분류할 수 있었습니다. 레이블이 지정된/구조화된 데이터가 필요하지 않은 이유는 이미지를 분류하는 통일된 방법을 형성하기 위해 병합된 각 레이어에서 처리되는 서로 다른 출력에 의존했기 때문입니다.

우리는 여기서 무엇을 배웠습니까?

1, 딥 러닝과 머신 러닝의 주요 차이점은 데이터가 시스템에 표시되는 방식에서 비롯됩니다. 기계 학습 알고리즘은 거의 항상 구조화된 데이터를 필요로 하는 반면 딥 러닝 네트워크는 ANN(인공 신경망) 계층에 의존합니다.

2,기계 학습 알고리즘은 레이블이 지정된 데이터를 이해하여 작업을 "학습" 한 다음 이를 사용하여 더 많은 데이터 세트로 추가 출력을 생성하도록 구축되었습니다. 그러나 실제 출력이 원하는 결과가 아닐 경우 사람의 개입을 통해 재교육해야 합니다.

3,딥 러닝 네트워크는 신경망의 중첩 계층이 서로 다른 개념의 계층을 통해 데이터를 입력하고 결국 자체 오류를 통해 학습하므로 사람의 개입이 필요하지 않습니다. 그러나 데이터 품질이 충분하지 않은 경우에도 이러한 출력에 결함이 있습니다.

4,데이터는 여기에서 주지사입니다. 결과의 품질을 궁극적으로 결정하는 것은 데이터의 품질입니다.

예제에서 볼 수 없었지만 주목해야 할 중요한 사항:

1, 머신 러닝 알고리즘은 레이블이 지정된 데이터를 필요로 하기 때문에 엄청난 양의 데이터가 포함된 복잡한 쿼리를 해결하는 데 적합하지 않습니다.

2,이 경우에는 이와 같은 사소한 쿼리를 해결하기 위해 딥 러닝 네트워크를 적용하는 것을 보았습니다. 딥 러닝 신경망의 실제 적용은 훨씬 더 큰 규모입니다. 사실, 이러한 네트워크가 처리하는 계층, 계층 및 개념의 수를 고려할 때 단순한 계산보다는 복잡한 계산을 수행하는 데에만 적합합니다.

3,AI의 이러한 하위 집합은 실제로 모든 형태의 "지능"을 제공하기 위해 데이터를 중심으로 회전합니다. 그러나 딥 러닝은 기존의 머신 러닝 알고리즘보다 훨씬 더 많은 데이터가 필요하다는 사실을 알아야 합니다. 그 이유는 백만 개 이상의 데이터 포인트에 노출될 때 신경망 레이어 내에서만 가장자리(개념, 차이점)를 식별할 수 있기 때문입니다. 반면 기계 학습 알고리즘은 사전 프로그래밍된 정의된 기준을 통해 학습할 수 있습니다.

따라서 해당 예제와 딥 러닝 대 머신 러닝 기본 사항에 대한 후속 설명을 통해 두 가지의 차이점을 이해하셨기를 바랍니다. 이는 일반인의 설명이기 때문에 AI 및 머신 러닝 개발을 비즈니스에 활용하려는 사람들이 대부분 이해할 수 없는 기술 용어를 도입하지 않으려고 최선을 다합니다.