AI در مقابل یادگیری ماشین و یادگیری عمیق

AI در مقابل یادگیری ماشین در مقابل یادگیری عمیق

هوش مصنوعی چتر وسیعی است که زیرمجموعه آن یادگیری ماشین و یادگیری عمیق است. و همچنین می توانید در نمودار مشاهده کنید که حتی یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است. بنابراین هر سه آنها AI، یادگیری ماشین و یادگیری عمیق فقط زیر مجموعه های یکدیگر هستند. بنابراین اجازه دهید پیش برویم و متوجه شویم که دقیقاً تفاوت آنها در چیست.

AI vs ML vs Deep Learning - آموزش ماشین آموزی - Edureka

هوش مصنوعی در برابر یادگیری ماشین در مقابل یادگیری عمیق | ادورکا

شروع با هوش مصنوعی

اصطلاح هوش مصنوعی برای اولین بار در سال 1956 مطرح شد، اما این روزها هوش مصنوعی رواج بیشتری یافته است چرا؟ خوب، این به دلیل افزایش فوق العاده حجم داده ها، الگوریتم های پیشرفته و بهبود قدرت محاسبه و ذخیره سازی است.

داده های ما برای پیش بینی نتیجه دقیق کافی نبود. اما در حال حاضر حجم داده ها افزایش فوق العاده ای دارد. آمارها نشان می دهد که تا سال 2020 ، حجم انباشته داده های بزرگ از 4.4 زتابایت به تقریبا 44 زتابایت یا 44 تریلیون گیگابایت داده افزایش می یابد.

در حال حاضر ما حتی الگوریتم های پیشرفته تر و قدرت محاسباتی و ذخیره سازی بالایی داریم که می تواند با حجم زیادی از داده ها مقابله کند. در نتیجه ، انتظار می رود که 70 درصد از شرکت ها طی 12 ماه آینده هوش مصنوعی را پیاده سازی کنند که از 40 درصد در سال 2016 و 51 درصد در سال 2017 افزایش یافته است.

هوش مصنوعی چیست؟

هوش مصنوعی تکنیکی است که به ماشین ها اجازه می دهد تا با تکرار رفتار و ماهیت خود مانند انسان ها عمل کنند. 

هوش مصنوعی این امکان را برای ماشین ها فراهم می کند که از تجربیات خود درس بگیرند. ماشین ها پاسخ خود را بر اساس ورودی های جدید تنظیم می کنند و در نتیجه وظایف مشابه انسان را با پردازش حجم زیادی از داده ها و تشخیص الگوهای آنها انجام می دهند.

توضیح AI با مثال: ساخت کلیسا

می توانید در نظر بگیرید که ساختن هوش مصنوعی مانند ساختن یک کلیسا است.

اولین کلیسا چندین نسل طول کشید تا تکمیل شود، بنابراین اکثر کارگران که بر روی آن کار می کردند هرگز نتیجه نهایی را ندیدند. کسانی که روی آن کار می کردند به هنر خود افتخار می کردند، آجر می ساختند و سنگ های اسکنه ای را که قرار بود در سازه بزرگ قرار گیرد، می ساختند. بنابراین، به عنوان محققان هوش مصنوعی، ما باید خود را به عنوان سازندگان آجر متواضع بدانیم، وظیفه آنها مطالعه نحوه ساخت اجزاء (به عنوان مثال تجزیه کننده ها، برنامه ریزان، الگوریتم های یادگیری و غیره) است که روزی توسط شخصی در جایی با سیستم های هوشمند ادغام می شود.

برخی از نمونه های هوش مصنوعی در زندگی روزمره ما Siri اپل، شطرنج بازی رایانه، ماشین خودران تسلا و بسیاری دیگر است. این مثالها بر اساس یادگیری عمیق و پردازش زبان طبیعی است.


یادگیری ماشین در اواخر دهه 80 و اوایل دهه 90 به وجود آمد. اما مشکلاتی که باعث بوجود آمدن یادگیری ماشین در مردم شد، چه بود؟

آمار: چگونه می توان مدلهای پیچیده بزرگ را به طور کارآمد تربیت کرد؟

علوم رایانه و هوش مصنوعی: چگونه می توان نسخه های قوی تری از سیستم های AI را آموزش داد؟

علوم اعصاب: چگونه می توان مدلهای عملیاتی مغز را طراحی کرد؟

یادگیری ماشین چیست؟

“یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است. این اجازه می دهد تا ماشین ها یاد بگیرند و بر اساس تجربه (داده) پیش بینی کنند. “

درک یادگیری ماشین با یک مثال

فرض کنید می خواهید سیستمی ایجاد کنید که بتواند وزن مورد انتظار یک فرد را بر اساس قد آن پیش بینی کند. اولین کاری که انجام می دهید جمع آوری داده ها است. بگذارید بگوییم که داده های شما به این شکل است:

رگرسیون خطی - AI در مقابل یادگیری ماشین در مقابل یادگیری عمیق - Edureka

هر نقطه روی نمودار یک نقطه داده را نشان می دهد. برای شروع می توان یک خط ساده برای پیش بینی وزن بر اساس ارتفاع کشید. به عنوان مثال ، یک خط ساده:

 W = H – 100

جایی که W وزن بر حسب کیلوگرم و H ارتفاع بر حسب سانتی متر است.

این خط می تواند به ما در پیش بینی کمک کند. هدف اصلی ما کاهش تفاوت بین ارزش برآورد شده و ارزش واقعی است.  بنابراین برای دستیابی به آن ، ما سعی می کنیم یک خط مستقیم که متناسب با همه این نقاط مختلف است ترسیم کنیم و خطا را به حداقل برسانیم و آنها را تا حد ممکن کوچک کنیم. کاهش خطا یا تفاوت بین مقدار واقعی و مقدار برآورد شده، عملکرد را افزایش می دهد.

علاوه بر این ، هرچه نقاط داده بیشتری جمع آوری کنیم، مدل ما بهتر می شود. ما همچنین می توانیم مدل خود را با افزودن متغیرهای بیشتر (به عنوان مثال جنسیت) و ایجاد خطوط پیش بینی متفاوت برای آنها بهبود بخشیم. پس از ایجاد خط، در آینده اگر داده جدیدی (به عنوان مثال قد یک فرد) به مدل داده شود، به راحتی داده ها را برای شما پیش بینی می کند و وزن پیش بینی شده او را نیز نشان می دهد.

یادگیری عمیق چیست؟

مفهوم یادگیری عمیق چیز جدیدی نیست. اما اخیراً تبلیغات آن افزایش یافته است و یادگیری عمیق توجه بیشتری را به خود جلب می کند. این رشته نوع خاصی از یادگیری ماشینی است که از عملکرد سلول های مغزی ما به نام شبکه عصبی مصنوعی الهام گرفته است. این به سادگی ارتباطات داده ای بین همه نورون های مصنوعی را می گیرد و آنها را با توجه به الگوی داده تنظیم می کند. اگر حجم داده ها زیاد باشد، به سلول های عصبی بیشتری نیاز است. این به طور خودکار یادگیری در سطوح مختلف انتزاعی را نشان می دهد، بنابراین به سیستم اجازه می دهد تا نقشه های توابع پیچیده را بدون وابستگی به الگوریتم خاصی یاد بگیرد.

شما می توانید مدل های یادگیری عمیق را به عنوان موتور موشک در نظر بگیرید و سوخت آن حجم عظیمی از داده هایی است که ما به این الگوریتم ها می دهیم.

درک یادگیری عمیق با آنالوگ ها

بگذارید با یک مثال ساده شروع کنم که توضیح می دهد چگونه کارها در سطح مفهومی کار می کنند.

مثال 1:

اجازه دهید ما سعی کنیم و بفهمیم که چگونه یک مربع را از اشکال دیگر تشخیص می دهید.

اولین مورد این است که بررسی کنید آیا 4 خط با یک شکل مرتبط است یا خیر؟ (مفهوم ساده درست است!). اگر بله، ما بیشتر بررسی می کنیم، آنها متصل و بسته هستند؟ دوباره اگر بله ما در نهایت بررسی می کنیم که آیا عمود است و همه اضلاع آن مساوی هستند  (درست!). خوب ، این چیزی نیست جز یک سلسله مراتب تو در تو از مفهوم .

ما یک کار پیچیده برای شناسایی یک مربع را به کارهای ساده تری تقسیم کردیم. Deep Learning نیز این کار را انجام می دهد اما در مقیاس بزرگتر.

مثال 2:

بیایید نمونه ای از دستگاهی که حیوانات را تشخیص می دهد، در نظر بگیریم. وظیفه دستگاه تشخیص این است که تصویر داده شده مربوط به گربه است یا سگ.

گربه در مقابل سگ - قیاس - AI در مقابل یادگیری ماشین در مقابل یادگیری عمیق

اگر از ما بخواهند همان مسئله را با استفاده از مفاهیم یادگیری ماشین حل کنیم، چه می کنیم؟ اول، ما ویژگی هایی مانند اینکه آیا حیوان سبیل دارد یا خیر، حیوان دارای گوش های نوک تیز است یا خیر یا دم آن مستقیم یا خمیده است یا خیر را بررسی می کنیم.

به طور خلاصه، ما ویژگی های صورت را تعریف می کنیم و به سیستم اجازه می دهیم تشخیص دهد که کدام ویژگی در طبقه بندی یک حیوان خاص اهمیت بیشتری دارد.

حالا وقتی نوبت به یادگیری عمیق می رسد. این کار را یک قدم جلو می برد. یادگیری عمیق به طور خودکار ویژگی هایی را که برای طبقه بندی مهم هستند، پیدا می کند، در مقایسه با یادگیری ماشین که در آن ما مجبور بودیم ویژگی ها را به صورت دستی ارائه دهیم.

در حال حاضر این مقاله نشان داده است که هوش مصنوعی تصویر بزرگتری است و یادگیری ماشین و یادگیری عمیق زیرمجموعه های آن هستند. بنابراین در پایان آن می گویم ساده ترین راه درک تفاوت بین یادگیری ماشین و یادگیری عمیق این است که بدانید یادگیری عمیق یادگیری ماشین است و به طور خاص ، یادگیری عمیق تکامل بعدی یادگیری ماشین است. 

آیا تمایل به آشنایی با موقعیت شغلی مهندس داده دارید؟اکنون بیاموزید.

آیا تمایل به آشنایی با موقعیت شغلی دانشمند داده دارید؟اکنون بیاموزید.

آیا تمایل به آشنایی با موقعیت شغلی تحلیلگر داده دارید؟اکنون بیاموزید.