Diferența dintre învățarea în mașină și rețelele neuronale
Share
Principala diferență între învățarea mașinilor și rețelele neuronale este că invatarea in masina se refera la dezvoltarea de algoritmi care pot analiza si invata din date pentru a lua decizii in timp ce retelele neuronale sunt un grup de algoritmi in invatarea mecanica care efectueaza calcule similare cu neuronii din creierul uman.
Învățarea în mașină este tehnica dezvoltării algoritmilor de auto-învățare care pot analiza date, învăța de la ei, recunosc modelele și ia decizii în consecință. Este o subcategorie a Inteligenței Artifice. Învățarea în mașină utilizează algoritmi diferiți. Rețeaua neurală este una dintre ele. Aceste concepte sunt utilizate în general în diverse domenii, cum ar fi medicina, robotica, producția și agricultura.
Domenii cheie acoperite
1. Ce este Învățarea cu mașini
- Definiție, tipuri, funcționalitate
2. Ce este rețeaua neurală?
- Definiție, tipuri, funcționalitate
3. Diferența dintre învățarea în mașină și rețelele neuronale
- Compararea diferențelor cheie
Termeni cheie
Inteligența artificială, rețeaua de feedback, rețeaua Feedforward, învățarea în mașină, rețelele neuronale, învățarea supravegheată, învățarea nesupravegheată
Ce este Învățarea cu mașini
Învățarea în mașină este un subset al Inteligenței Artifice. Algoritmii de învățare a mașinilor analizează datele, învață de la ei și iau decizii. Utilizează metode statistice și permite mașinii să se îmbunătățească cu experiență.
Figura 1: Învățarea în mașină
Există două tipuri principale de învățare în mașină: învățarea supravegheată și învățarea nesupravegheată. În învățare supravegheată, există variabile de intrare (x) și variabile de ieșire (y). Algoritmul este instruit prin maparea intrărilor la ieșiri (y = f (x)). Când se furnizează o intrare nouă, algoritmul trebuie să prezică ieșirea. Regresia liniară, mașina de suport vector și pădurile aleatoare sunt câteva exemple de învățare supravegheată.
În învățarea nesupravegheată, există numai date de intrare (x). Nu există date de ieșire. În acest tip, nu este necesară antrenarea algoritmului. În schimb, el descoperă modelele din datele de intrare pe cont propriu. Un algoritm principal de învățare nesupravegheat este gruparea. Identifică instanțele similare și le grupează împreună pentru a crea clustere. De obicei, învățarea nesupravegheată este dificilă decât învățarea supravegheată. Pe scurt, învățarea prin mașină ajută la dezvoltarea sistemelor care pot învăța și efectua predicții utilizând datele.
Ce sunt rețelele neuronale
Rețelele neuronale sunt inspirate de neuroni biologici. În creierul uman există milioane de neuroni, iar informația trece de la un neuron la altul. Rețelele neuronale utilizează acest concept pentru a executa mai rapid sarcinile de calcul.
Figura 2: Rețeaua neuronală
Există două tipuri de rețele neuronale numite feedforward și feedback. În rețele de alimentare, informațiile trec numai de la intrare la ieșire și nu conține o buclă de feedback. În rețele de feedback, informațiile pot trece în ambele direcții și conțin o cale de reacție.
Rețelele de alimentare în continuare sunt clasificate în rețele de rețea cu un singur nivel și în mai multe niveluri. În rețeaua de un singur strat, stratul de intrare se conectează la stratul de ieșire. Pe de altă parte, rețeaua multi-strat are mai multe straturi numite straturi ascunse între stratul de intrare și stratul de ieșire.
O rețea neuronală conține noduri. Aceste noduri sunt similare cu neuronii din creier. În plus, conexiunile din rețea au greutăți specifice. Atunci când intrările către noduri sunt x1, x2, x3 ... și greutățile corespunzătoare sunt w1, w2, w3, ... intrarea netă (y) este similară cu următoarea.
y = x1. w1 + x2. w2 + x3.w3 + ... .
După aplicarea funcției de activare, cum ar fi linia sau sigmoidul la intrarea netă, acesta furnizează ieșirea după cum urmează.
Y = F (y)
Apoi, rezultatele sunt evaluate. Greutățile se reglează dacă ieșirea evaluată este diferită de ieșirea dorită. Acest proces se repetă până la obținerea ieșirilor dorite. Aceasta este funcționalitatea de bază a unei rețele neuronale.
Diferența dintre învățarea în mașină și rețelele neuronale
Definiție
Învățarea de prelucrare se referă la algoritmi care utilizează tehnici statistice care permit calculatoarelor să învețe din date și să îmbunătățească progresiv performanța într-o anumită sarcină. O rețea neurală este un sistem care este inspirat de neuronii biologici din creierul uman, care poate executa mai repede sarcinile de calcul.
algoritmi
Regresia, clasificarea, gruparea, mașina de suport, pădurile aleatoare sunt puțini algoritmi în învățarea mașinilor. Rețelele neuronale sunt, de asemenea, un algoritm care intră sub învățarea mașinilor.
Concluzie
Diferența dintre învățarea în mașină și rețelele neuronale este că învățarea mașinilor se referă la dezvoltarea de algoritmi care pot analiza și învăța de la date pentru a lua decizii, în timp ce rețelele neuronale reprezintă un grup de algoritmi în învățarea mașinilor care efectuează calcule similare cu neutronii din creierul uman.
Referinţă:
1. Ce este învățarea mașinilor? | Învățarea bazată pe mașină Masini de invatare Tutorial Edureka !, 16 martie 2018, disponibil aici.
Datorită fotografiei:
1. "3161590" (CC0) prin Pixabay
2. "Retele neuronale artificiale" Prin en: Utilizator: Cburnett - Lucrare proprieAceasta imagine vectoriala a fost creata cu Inkscape (CC BY-SA 3.0) prin Wikimedia Commons
