Глубокое обучение, или нейронная сеть, — это тема, которая сегодня стала довольно популярной. Большая часть известных нам технологий искусственного интеллекта (ИИ) основана на глубоком обучении. Снова и снова мы видим, как искусственный интеллект и глубокое обучение постоянно взаимозаменяемы, как будто это одно и то же, что может вызвать путаницу в том, что есть что. Глубокое обучение — это часть машинного обучения, как показано на рисунке ниже.
Он вдохновлен функцией мозга, хотя он все еще больше похож на четырехлетнего ребенка, чем на взрослого.
машинное обучение и глубокое обучение являются частями искусственного интеллекта
Многие технологические гиганты используют глубокое обучение в своих продуктах, таких как беспилотный автомобиль; например, чат-боты, перевод текста между языками или обнаружение рака на МРТ-изображении, и это лишь некоторые из них. Это наглядные примеры использования глубокого обучения. Обнаружив объект или идентифицируя лицо на фотографии, глубокое обучение изучит множество различных моделей. Некоторые паттерны могут быть небольшими краями на фотографии, например контуром глаза, в то время как другая часть глубокой нейронной сети может обнаруживать весь глаз. Когда все эти шаблоны совпадут, алгоритм обнаружит лицо с очень высокой точностью. При переводе текста нейронная сеть, LSTM (долго-кратковременная память), может изучать тенденции за определенный период времени. Когда текст о женщине, LSTM запоминает его и использует позже, чтобы предсказать, что это о ней, а не о нем. Однако разница в точности между глубоким обучением и традиционным машинным обучением часто довольно мала (около 1%) применительно к любому из событий, упомянутых выше.
В другом типе ситуаций, таких как прогнозирование оттока клиентов, точное знание того, купит ли клиент продукт, или прогнозирование цены недвижимости на основе определенных типов информации, традиционные алгоритмы машинного обучения часто превосходят. точность глубоких нейронных сетей. Было проведено большое количество исследований различий между глубоким обучением и традиционными алгоритмами машинного обучения, такими как XGBoost, метод опорных векторов, случайный лес и многие другие. Был сделан вывод, что не существует единого алгоритма, который всегда был бы лучшим. Производительность отличается при использовании в разных ситуациях. Однако такие алгоритмы, как XGBoost, чаще всего обеспечивают наилучшие результаты, и часто их труднее всего превзойти.
Поскольку ваша продуктивность зависит от типа задач, есть небольшая хитрость, позволяющая извлечь из них максимальную пользу. XGBoost может изучать другой шаблон, чем машина опорных векторов или логистическая регрессия. Эти три алгоритма или любую другую группу алгоритмов можно комбинировать, используя то, что мы называем стекированием. Складывая модели, вы получите лучшее от каждой из этих моделей и объедините их в окончательную модель, называемую суперобучаемым, которая будет по крайней мере такой же точной, как и лучшие из отдельных алгоритмов. Это означает, что если XGBoost достигает точности 86%, метод опорных векторов — 83%, а логистическая регрессия — 79%, суперобучаемый должен достичь точности не менее 86% или лучше.
Таким образом, глубокое обучение — это просто подполе машинного обучения, и оно эффективно и популярно для решения определенных задач. Традиционные алгоритмы машинного обучения, особенно те, которые основаны на нейронных системах, таких как XGBoost и Random Forest, часто являются наиболее эффективными вариантами для принятия бизнес-решений. В Sumo Analytics мы понимаем сильные и слабые стороны различных алгоритмов, и поэтому мы используем несколько алгоритмов для каждой решаемой проблемы, потому что мы хотим предоставить вам максимально возможную точность.
