Машинное обучение и искусственный интеллект прошли долгий путь.
В век информации и данных он получил большой толчок и стал притчей во языцех.
С течением времени машинное обучение и искусственный интеллект становятся все более изощренными и продвинутыми, решая основные проблемы нашего времени и открывая двери в новый таинственный мир.
Но иногда две драгоценные жемчужины машинного обучения используются взаимозаменяемо и сбивают с толку Homo sapiens, использующих его.
Итак, давайте поговорим о том, в чем разница между глубоким обучением и нейронными сетями.
Прежде чем мы перейдем к разнице между нейронной сетью и глубоким обучением,
позвольте мне дать вам представление об иерархии, чтобы вы могли получить четкое представление.
Если я рассматриваю нейронную сеть как набор, то могу сказать, что глубокое обучение — это подмножество набора нейронных сетей.
Что позже означает, что глубокое обучение невозможно без нейронной сети.
Это также означает, что глубокое обучение и нейронные сети имеют концептуальное сходство.
Чтобы понять разницу, мы должны сначала узнать, что содержит базовая нейронная сеть:
- Входной слой : название говорит само за себя, все входные данные приведены здесь.
- Скрытый слой: вся обработка ввода происходит в скрытом слое.
- Выходной слой: выдает результат на основе обработанного ввода.
ЭТО основная нейронная сеть.
Итак, мы, наконец, готовы погрузиться в различия между нейронной сетью и машинным обучением.
Начнем с определения:
Нейронная сеть
Нейронная сеть — это структуры искусственных нейронов, работающих по тому же принципу, что и нейроны в нашем мозгу, чтобы найти ценную информацию, скрытую в наборе данных.
Глубокое обучение:
Глубокое обучение — это сложные структуры искусственных нейронных сетей, которые образуют нелинейные блоки обработки, состоящие из нескольких слоев для преобразования и извлечения признаков.
С определением можно понять более широкую картину различий между нейронной сетью и глубоким обучением
СТРУКТУРА :
один слой нейронной сети состоит из:
- нейроны:нейрон — это математическая функция, предназначенная для имитации функционирования биологического нейрона. Он вычисляет средневзвешенное значение входных данных и передает информацию через нелинейную функцию, известную как «функция активации».
- Скорость обучения. Скорость обучения определяет, насколько быстро или медленно вы хотите обновлять значения весов (параметров) модели.
- Связь и веса. Как следует из названия, связи соединяют нейрон одного слоя с другим нейроном того же или другого слоя. Каждое соединение имеет связанное с ним значение веса. Здесь вес представляет силу связи между единицами. Цель состоит в том, чтобы уменьшить значение веса, чтобы уменьшить вероятность потери (ошибки).
- Функция распространения.В нейронной сети работают две функции распространения: прямое распространение, которое предоставляет «прогнозируемое значение», и обратное распространение, которое предоставляет «значение ошибки».
Нейронные сети ГЛУБОКОГО ОБУЧЕНИЯ содержат то же, что и структура нейронной сети, но они также зависят от конфигурации машины, так как требуют больших вычислений,
Итак, вот некоторые аппаратные конфигурации, необходимые для глубокого обучения:
Процессоры
Графический процессор, необходимый для глубокого обучения, должен определяться в зависимости от количества ядер и стоимости процессора.
ОЗУ
Это физическая память и хранилище. Поскольку алгоритмы глубокого обучения требуют большего использования ЦП и объема памяти, объем оперативной памяти должен быть огромным.
БП
По мере увеличения требований к памяти становится важным использовать большой блок питания, который может выполнять массивные и сложные функции глубокого обучения.
Итак, в конце концов все приходит к выводу, что сложные нейронные сети — это не что иное, как глубокое обучение.
Похлопайте, если вы узнали что-то новое в запутанном мире :D