Rozdiel medzi neurónovou sieťou a hlbokým učením
Share
kľúčový rozdiel medzi neurónovou sieťou a hlbokým učením je to neurónová sieť funguje podobne ako neuróny v ľudskom mozgu, aby rýchlejšie vykonávala rôzne výpočtové úlohy, zatiaľ čo hlboké vzdelávanie je špeciálny typ strojového učenia, ktoré napodobňuje prístup učenia, ktorý ľudia používajú na získanie vedomostí.
Neurónová sieť pomáha vytvárať prediktívne modely na riešenie zložitých problémov. Na druhej strane je hlboké učenie súčasťou strojového učenia. Pomáha rozvíjať rozpoznávanie reči, rozpoznávanie obrázkov, spracovanie prirodzeného jazyka, systémy odporúčaní, bioinformatiku a mnoho ďalších. Neurónová sieť je metóda implementácie hlbokého vzdelávania.
OBSAH
1. Prehľad a kľúčový rozdiel
2. Čo je to neurónová sieť
3. Čo je to Deep Learning
4. Porovnanie bok po boku - neurónová sieť vs. hlboké vzdelávanie v tabuľkovej forme
5. Zhrnutie
Čo je to neurónová sieť?
Biologické neuróny sú inšpiráciou pre neurónové siete. V ľudskom mozgu sú milióny neurónov a informačný proces z jedného neurónu na druhý. Neurónové siete používajú tento scenár. Vytvárajú počítačový model podobný mozgu. Dokáže vykonávať výpočtové zložité úlohy rýchlejšie ako bežný systém.
Obrázok 01: Bloková schéma neurónovej siete
V neurónovej sieti sa uzly navzájom spájajú. Každé spojenie má váhu. Ak sú vstupy do uzlov x1, x2, x3,… a príslušné hmotnosti sú w1, w2, w3,…, potom je čistý vstup (y),
y = x1w1 + x2w2 + x3w3 +… .
Po použití sieťového vstupu na aktivačnú funkciu poskytne výstup. Aktivačná funkcia môže byť lineárna alebo sigmoidná.
Y = F (y)
Ak sa tento výkon líši od požadovaného výkonu, hmotnosť sa znova nastaví a tento proces pokračuje, až kým sa nedosiahne požadovaný výkon. Táto aktualizácia váhy sa deje podľa algoritmu backpropagation.
Existujú dve topológie neurónovej siete nazývané feedforward a feedback. Vpredné siete nemajú žiadnu spätnú väzbu. Inými slovami, signály prúdia iba zo vstupu na výstup. Dopredné siete sa ďalej delia na jednovrstvové a viacvrstvové neurónové siete.
Typy sietí
V sieťach s jednou vrstvou sa vstupná vrstva pripája k výstupnej vrstve. Viacvrstvová neurónová sieť má medzi vstupnou vrstvou a výstupnou vrstvou viac vrstiev. Tieto vrstvy sa nazývajú skryté vrstvy. Druhý typ siete, ktorým sú siete spätnej väzby, má cesty spätnej väzby. Okrem toho existuje možnosť odovzdať informácie obom stranám.
Obrázok 02: Viacvrstvová neurónová sieť
Neurónová sieť sa učí modifikáciou váh spojenia medzi uzlami. Existujú tri typy učenia, ako napríklad učenie pod dohľadom, učenie bez dozoru a učenie o posilňovaní. Pri učení pod dohľadom sieť poskytne výstupný vektor podľa vstupného vektora. Tento výstupný vektor sa porovnáva s požadovaným výstupným vektorom. V prípade rozdielu sa hmotnosti upravia. Tento proces pokračuje, kým sa skutočný výstup nezhoduje s požadovaným výstupom.
V učení bez dozoru sieť identifikuje vzory a vlastnosti zo vstupných údajov a samotný vzťah pre vstupné údaje. V tomto učení sa vstupné vektory podobných typov kombinujú a vytvárajú zhluky. Keď sieť získa nový vstupný vzor, poskytne výstup so špecifikáciou triedy, do ktorej tento vstupný vzor patrí. Posilnenie učenia akceptuje určitú spätnú väzbu z prostredia. Potom sieť zmení váhy. To sú metódy na trénovanie neurónovej siete. Celkovo neurónové siete pomáhajú riešiť rôzne problémy rozpoznávania vzorov.
Čo je to Deep Learning?
Pred hlbokým učením je dôležité diskutovať o strojovom učení. Poskytuje počítaču možnosť učiť sa bez výslovného naprogramovania. Inými slovami, pomáha vytvárať samoučiace sa algoritmy na analýzu údajov a rozpoznávanie vzorcov na prijímanie rozhodnutí. Existujú však určité obmedzenia: všeobecné strojové učenie. Po prvé, je ťažké pracovať s vysokorozmernými údajmi alebo extrémne veľkým súborom vstupov a výstupov. Môže byť tiež ťažké vykonať extrakciu funkcií.
Hlboké vzdelávanie tieto problémy rieši. Je to špeciálny typ strojového učenia. Pomáha vytvárať algoritmy učenia, ktoré môžu fungovať podobne ako ľudský mozog. Hlboké neurónové siete a opakujúce sa neurónové siete sú niektoré architektúry hlbokého učenia. Hlboká neurónová sieť je neurónová sieť s viacerými skrytými vrstvami. Opakujúce sa neurónové siete používajú pamäť na spracovanie sekvencií vstupov.
Aký je rozdiel medzi neurónovou sieťou a hlbokým učením?
Neurónová sieť je systém, ktorý funguje podobne ako neuróny v ľudskom mozgu, aby rýchlejšie vykonával rôzne výpočtové úlohy. Hlboké vzdelávanie je špeciálny typ strojového učenia, ktoré napodobňuje vzdelávací prístup, ktorý ľudia používajú na získanie vedomostí. Neurónová sieť je metóda na dosiahnutie hlbokého učenia. Na druhej strane Deep Leaning je špeciálna forma Machine Leaning. Toto je hlavný rozdiel medzi neurónovou sieťou a hlbokým učením
Zhrnutie - Neural Network vs Deep Learning
Rozdiel medzi neurónovou sieťou a hlbokým učením spočíva v tom, že neurónová sieť funguje podobne ako neuróny v ľudskom mozgu, aby rýchlejšie vykonávala rôzne výpočtové úlohy, zatiaľ čo hlboké vzdelávanie je špeciálny typ strojového učenia, ktoré napodobňuje prístup učenia, ktorý ľudia používajú na získanie vedomostí..
referencie:
1. „Čo je to Deep Learning (Deep Neural Network)? - Definícia z WhatIs.com. “ SearchEnterpriseAI. K dispozícii tu
2. „Hlboké vzdelávanie“. Wikipedia, Wikimedia Foundation, 30. mája 2018. K dispozícii tu
3.edurekaIN. Čo je hlboké vzdelávanie Zjednodušené hlboké vzdelávanie Výukový program pre hlboké vzdelávanie Edureka, Edureka !, 10. mája 2017. K dispozícii tu
4. Príručky Bod. „Bloky umelých neurónových sietí.“ Výukové programy Point, 8. januára 2018. K dispozícii tu
S láskavým dovolením:
1. „Umelá neurónová sieť“ - Geetika saini - Vlastná práca (CC BY-SA 4.0) prostredníctvom Commons Wikimedia
2.'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbderivative work: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) via Commons Wikimedia
