Różnica między siecią neuronową a głębokim uczeniem się

The kluczowa różnica między siecią neuronową a głębokim uczeniem się jest to sieć neuronowa działa podobnie do neuronów w ludzkim mózgu, aby szybciej wykonywać różne zadania obliczeniowe, podczas gdy głębokie uczenie się jest specjalnym rodzajem uczenia maszynowego, który imituje podejście uczenia się stosowane w celu zdobywania wiedzy.

Sieć neuronowa pomaga budować modele predykcyjne w celu rozwiązywania złożonych problemów. Z drugiej strony głębokie uczenie się jest częścią uczenia maszynowego. Pomaga rozwijać rozpoznawanie mowy, rozpoznawanie obrazów, przetwarzanie języka naturalnego, systemy rekomendacji, bioinformatykę i wiele innych. Sieć neuronowa to metoda wdrażania głębokiego uczenia się.

ZAWARTOŚĆ

1. Przegląd i kluczowa różnica
2. Co to jest sieć neuronowa
3. Co to jest głębokie uczenie się
4. Porównanie obok siebie - Sieć neuronowa a głębokie uczenie się w formie tabelarycznej
5. Podsumowanie

Co to jest sieć neuronowa?

Neurony biologiczne są inspiracją dla sieci neuronowych. W ludzkim mózgu są miliony neuronów i proces informacji z jednego neuronu do drugiego. Sieci neuronowe wykorzystują ten scenariusz. Tworzą model komputerowy podobny do mózgu. Może wykonywać złożone zadania obliczeniowe szybciej niż zwykły system.

Rysunek 01: Schemat blokowy sieci neuronowej

W sieci neuronowej węzły łączą się ze sobą. Każde połączenie ma wagę. Gdy dane wejściowe do węzłów to x1, x2, x3,… a odpowiadające im wagi to w1, w2, w3,… to wtedy wartość netto (y) wynosi,

 y = x1w1 + x2w2 + x3w3 +… .

Po zastosowaniu wejścia netto do funkcji aktywacji daje wynik. Funkcja aktywacji może być liniowa lub sigmoidalna.

Y = F (y)

Jeśli ta moc wyjściowa różni się od pożądanej mocy wyjściowej, waga jest ponownie dostosowywana i proces ten jest kontynuowany do uzyskania pożądanej mocy wyjściowej. Ta waga aktualizacji odbywa się zgodnie z algorytmem propagacji wstecznej.

Istnieją dwie topologie sieci neuronowej zwane feedforward i feedback. Sieci feedforward nie mają pętli sprzężenia zwrotnego. Innymi słowy, sygnały przepływają tylko z wejścia na wyjście. Sieci feedforward dzielą się dalej na jednowarstwowe i wielowarstwowe sieci neuronowe.

Typy sieci

W sieciach jednowarstwowych warstwa wejściowa łączy się z warstwą wyjściową. Wielowarstwowa sieć neuronowa ma więcej warstw między warstwą wejściową i wyjściową. Te warstwy są nazywane warstwami ukrytymi. Drugi typ sieci, którym są sieci zwrotne, ma ścieżki zwrotne. Ponadto istnieje możliwość przekazania informacji obu stronom.

Rycina 02: Wielowarstwowa sieć neuronowa

Sieć neuronowa uczy się, modyfikując wagi połączenia między węzłami. Istnieją trzy typy uczenia się, takie jak nauka nadzorowana, nauka bez nadzoru i nauka wzmacniająca. W uczeniu nadzorowanym sieć zapewni wektor wyjściowy zgodnie z wektorem wejściowym. Ten wektor wyjściowy jest porównywany z pożądanym wektorem wyjściowym. W przypadku różnicy wagi zostaną zmodyfikowane. Procesy te są kontynuowane, aż faktyczne wyjście dopasuje się do pożądanego wyniku.

W uczeniu się bez nadzoru sieć sama identyfikuje wzorce i funkcje na podstawie danych wejściowych i relacji dla danych wejściowych. W tym uczeniu wektory wejściowe podobnych typów łączą się, tworząc klastry. Gdy sieć otrzyma nowy wzorzec wejściowy, da wynik określający klasę, do której należy ten wzorzec wejściowy. Uczenie się przez wzmacnianie przyjmuje pewne informacje zwrotne od środowiska. Następnie sieć zmienia wagi. Są to metody trenowania sieci neuronowej. Ogólnie rzecz biorąc, sieci neuronowe pomagają rozwiązać różne problemy z rozpoznawaniem wzorców.

Co to jest głębokie uczenie się?

Przed głębokim uczeniem się ważne jest omówienie uczenia maszynowego. Daje to możliwość uczenia się przez komputer bez wyraźnego zaprogramowania. Innymi słowy, pomaga tworzyć algorytmy samouczące się do analizy danych i rozpoznawania wzorców w celu podejmowania decyzji. Istnieją jednak pewne ograniczenia dotyczące ogólnego uczenia maszynowego. Po pierwsze, trudno jest pracować z danymi o dużych wymiarach lub wyjątkowo dużym zestawem danych wejściowych i wyjściowych. Wyodrębnianie funkcji może być również trudne.

Dogłębne uczenie się rozwiązuje te problemy. Jest to specjalny rodzaj uczenia maszynowego. Pomaga budować algorytmy uczenia się, które mogą funkcjonować podobnie do ludzkiego mózgu. Głębokie sieci neuronowe i rekurencyjne sieci neuronowe to niektóre architektury głębokiego uczenia się. Głęboka sieć neuronowa to sieć neuronowa z wieloma ukrytymi warstwami. Nawracające sieci neuronowe wykorzystują pamięć do przetwarzania sekwencji danych wejściowych.

Jaka jest różnica między siecią neuronową a głębokim uczeniem się?

Sieć neuronowa to system, który działa podobnie do neuronów w ludzkim mózgu, aby szybciej wykonywać różne zadania obliczeniowe. Głębokie uczenie się jest specjalnym rodzajem uczenia maszynowego, który imituje podejście uczenia się stosowane przez ludzi do zdobywania wiedzy. Sieć neuronowa to metoda głębokiego uczenia się. Z drugiej strony Deep Leaning jest specjalną formą Machine Leaning. Jest to główna różnica między siecią neuronową a głębokim uczeniem się

Podsumowanie - Sieć neuronowa a głębokie uczenie się

Różnica między siecią neuronową a głębokim uczeniem polega na tym, że sieć neuronowa działa podobnie do neuronów w ludzkim mózgu, aby szybciej wykonywać różne zadania obliczeniowe, podczas gdy głębokie uczenie się jest specjalnym rodzajem uczenia maszynowego, który imituje podejście uczenia się stosowane przez ludzi w celu zdobywania wiedzy.

Odniesienie:

1. „Co to jest Deep Learning (Deep Neural Network)? - Definicja z WhatIs.com. ” SearchEnterpriseAI. Dostępny tutaj 
2. „Głębokie uczenie się”. Wikipedia, Wikimedia Foundation, 30 maja 2018 r. Dostępne tutaj  
3.edurekaIN. Co to jest głębokie uczenie się | Uproszczone głębokie uczenie się | Samouczek dogłębnego uczenia się | Edureka, Edureka !, 10 maja 2017 r. Dostępne tutaj   
4.Poradnik punkt. „Elementy składowe sztucznej sieci neuronowej”. Tutorials Point, 8 stycznia 2018 r. Dostępne tutaj  

Zdjęcie dzięki uprzejmości:

1. „Sztuczna sieć neuronowa” Autor: Geetika saini - Praca własna (CC BY-SA 4.0) przez Commons Wikimedia  
2.'MultiLayerNeuralNetworkBigger angielski 'Przez MultiLayerNeuralNetwork_english.png: Chrislbderivative work: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) przez Commons Wikimedia