تفاوت یادگیری ماشین و یادگیری عمیق

یادگیری عمیق.jpg

اگر به هوش مصنوعی علاقه داشته باشید، احتمالاً دو واژه‌ی یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) را شنیده‌اید و حتماً برای شما هم این سؤال پیش آمده است که تفاوت این دو موضوع در چیست؟ در این مطلب تصمیم داریم که درباره‌ی تفاوت یادگیری ماشین و یادگیری عمیق صحبت کنیم.

اگر به هوش مصنوعی علاقه داشته باشید، احتمالاً دو واژه‌ی یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) را شنیده‌اید و حتماً برای شما هم این سؤال پیش آمده است که تفاوت این دو موضوع در چیست؟ در این مطلب تصمیم داریم که درباره‌ی تفاوت یادگیری ماشین و یادگیری عمیق صحبت کنیم. با این مطلب همراه فیسیت باشید.

یادگیری ماشین چیست؟

ماشین لرنینگ (Machine Learning) یکی از زیرمجموعه‌های هوش مصنوعی است که به لطف آن، می‌توانیم سیستم‌هایی داشته باشیم که به صورت خودکار و بدون برنامه ریزی صریح، یاد بگیرند و پیشرفت کنند. در اصل یادگیری ماشین بر توسعه‌ی برنامه‌های کامپیوتری تمرکز دارد که می‌تواند به داده‌ها دسترسی یافته و با استفاده از آن‌ها، به خودی خود یاد بگیرد. (برای اطلاعات بیشتر در این زمینه به مطلب یادگیری ماشین چیست و چه کاربردی دارد؟ مراجعه کنید.)

یادگیری عمیق چیست؟

یادگیری عمیق درواقع همان یادگیری ماشین است اما در نوع عمیق‌تر و پیشرفته‌تر به طوری که عملکرد آن، شباهت بیشتری به عملکرد مغز انسان دارد. یادگیری عمیق از شبکه عصبی قابل‌برنامه‌ریزی استفاده می‌کند که به ماشین کمک می‌کند تا بدون کمک انسان، بتواند تصمیمات دقیق‌تری بگیرد. به عبارتی باید بگوییم که اگر یادگیری ماشین، نوع یادگیری انسان را تقلید می‌کند، اینکه چگونه مغز انسان را تقلید کنیم اما همان ایده‌ای است که پشت شبکه‌های عصبی وجود دارد.

درواقع یادگیری عمیق، نوعی از الگوریتم‌های یادگیری ماشین است که ورودی خام را دریافت کرده و در چندین لایه به استخراج ویژگی‌های سطح بالا می‌پردازد.

درواقع یادگیری عمیق، بخشی از خانواده‌ی بزرگ‌تر یادگیری ماشین است که تمرکز آن بر روی روش‌هایی است که مبتنی بر شبکه‌های عصبی مصنوعی (الگوریتم‌هایی که عملکرد مغز انسان را شبیه سازی می‌کنند) هستند.

تفاوت یادگیری عمیق با یادگیری ماشین

باید بگوییم که یادگیری عمیق، درواقع تکامل یافته‌ی یادگیری ماشین است که عمق به مراتب بیشتری نسبت به یادگیری ماشین دارد. داده‌هایی که در یادگیری عمیق استفاده می‌شود، به شدت بیشتر از یادگیری ماشین است و درواقع با Bigdata کار خواهیم کرد. از این رو محاسباتی که در Deep Learning انجام می‌شود، بسیار پیچیده‌تر شده و در نتیجه به سخت افزارهایی قدرتمندتری مانند کارت گرافیک نیاز خواهد بود. این سخت افزار معمولاً در دیتاسنترها قرار داشته و به کمک ایجاد شبکه‌های عصبی مصنوعی، توان پردازشی مورد نیاز برنامه تأمین می‌شود.

یکی از تفاوت‌هایی که الگوریتم‌های یادگیری عمیق با الگوریتم‌های ماشین لرنینگ دارند، موضوع بخش بندی مسئله است. درواقع در الگوریتم‌های یادگیری ماشین، مسئله به بخش‌های کوچک‌تری تقسیم شده و سپس حل می‌شود اما در deep learning، مسئله باید به تمامیت خود و بدون شکسته شدن به بخش‌های کوچک‌تر حل شوند. از این رو حجم داده‌های مورد نیاز برای deep learning به مراتب بیشتر از یادگیری ماشین بوده و در نتیجه زمان مورد نیاز آن هم بیشتر خواهد بود.

تفاوت دیگری که بین یادگیری ماشین و یادگیری عمیق وجود دارد، نوع نگاه به مسئله است. درواقع در یادگیری عمیق، کار با اطلاعات از پیش تعیین شده آغاز نمی‌شود و برنامه جزئیات بسیار زیادی‌تری را برای یادگیری استفاده می‌کند. از این رو زمان مورد نیاز برنامه برای یادگرفتن، بسیار بیشتر از ماشین لرنینگ خواهد بود.

هوش مصنوعی، یادگیری ماشین و یادگیری عمیق.png
هوش مصنوعی، یادگیری ماشین و یادگیری عمیق -

کاربردهای یادگیری عمیق

از جمله کاربردهای یادگیری عمیق می‌توانیم به ماشین‌های خودران، تشخیص اخبار فیک، پردازش زبان طبیعی، دستیارهای مجازی، تشخیص بصری، تشخیص تقلب، سلامتی و... کاربرد دارد.

اخبار مرتبط:

یادگیری ماشین چیست و چه کاربردی دارد؟

الگوریتم‌ یادگیری ماشین SVM چیست

اگر به اخبار دنیای تکنولوژی علاقه مند هستید، ما را در شبکه‌های اجتماعی مختلف تلگرام، روبیکا، توییتر، اینستاگرام و آپارات همراهی کنید.

منبع خبر: faceit

IMG_20210301_202437.jpg

خدیجه زارعپور

فارغ التحصیل کارشناسی فناوری اطلاعات هستم. از اردیبهشت‌ماه 96 شروع به نوشتن معرفی محصول، اخبار و آموزش در حوزه تکنولوژی در فیسیت کردم. بیش‌تر از هر چیزی به شبکه‌های کامپیوتری، مجازی سازی، سیسکو و... علاقه‌مند هستم و بیشتر از اون علاقه‌مند به به‌اشتراک‌گذاری اطلاعات با بقیه...

در صورت داشتن هر گونه پیشنهاد و انتقاد نسبت به اخبار و مقالات، می‌تونید به این آدرس ایمیل بفرستید: khadijezarepour@gmail.com


0 نظر درباره‌ی این پست نوشته شده است.

ثبت نظر