Machine Learning versus Deep Learning

Sowohl bei Machine Learning als auch bei Deep Learning verwenden Ingenieure Software-Tools wie MATLAB, um Computer in die Lage zu versetzen, Trends und Charakteristika in Daten zu erkennen, indem sie aus einem Beispieldatensatz lernen. Im Falle des maschinellen Lernens werden Trainingsdaten verwendet, um ein Modell zu erstellen, das der Computer zur Klassifizierung von Testdaten und schließlich von Daten aus der realen Welt verwenden kann. Traditionell ist ein wichtiger Schritt in diesem Arbeitsablauf die Entwicklung von Merkmalen – zusätzliche Metriken, die aus den Rohdaten abgeleitet werden –, die dem Modell zu mehr Genauigkeit verhelfen. Deep Learning ist eine Untergruppe des maschinellen Lernens, bei dem Ingenieure und Wissenschaftler den manuellen Schritt der Erstellung von Merkmalen überspringen. Stattdessen werden die Daten in den Algorithmus für das tiefe Lernen eingespeist, und dieser lernt automatisch, welche Merkmale für die Bestimmung der Ausgabe am nützlichsten sind. Zu den üblichen Algorithmen für Deep Learning gehören Convolutional Neural Networks (CNNs), rekurrierende neuronale Netze und Deep-Q-Netze.

Machine Learning wird in der Regel für Projekte eingesetzt, welche die Vorhersage eines Outputs oder die Aufdeckung von Trends beinhalten. In diesen Beispielen wird ein begrenzter Datenbestand verwendet, um den Maschinen beim Lernen von Mustern zu helfen, die sie später für eine korrekte Bestimmung neuer Eingabedaten verwenden können. Zu den üblichen Algorithmen, die beim maschinellen Lernen verwendet werden, gehören lineare Regression, Entscheidungsbäume, Support-Vektor-Maschinen (SVMs), naive Bayes, Diskriminanzanalyse, neuronale Netze und Ensembleverfahren. Deep Learning ist komplexer und wird typischerweise für Projekte verwendet, bei denen es um die Klassifizierung von Bildern, die Identifizierung von Objekten in Bildern und die Verbesserung von Bildern und Signalen geht. In diesen Fällen kann ein tiefes neuronales Netz angewendet werden, da sie darauf ausgelegt sind, automatisch Merkmale aus räumlich und zeitlich organisierten Daten wie Bildern und Signalen zu extrahieren. Zu den üblichen Algorithmen, die beim Tiefenlernen verwendet werden, gehören Faltungsneuronale Netze (CNNs), rekurrierende Neuronale Netze (RNNs) und Verstärkungslernen (Deep-Q-Netze).

Den kompletten englischsprachigen Artikel von Seth Deland können Sie hier lesen.

dotnetpro-Leser finden zwei Artikel zum Thema Machine Learning mit Schnell.AI unter www.dotnetpro.de/A2001AIFramework und www.dotnetpro.de/A2002AIFramework.