그렇다면 기계 학습이란 무엇일까요? 일반적으로 인공지능을 실현하기 위해 우리는 기계를 이용하여 공부할 것이다. 우리는 몇 가지 기계 학습 알고리즘을 가지고 있다. 이러한 알고리즘에는 의사 결정 트리, 임의 숲 및 인공 신경망이 포함됩니다. 기계 학습에는 감독 학습, 감독되지 않은 학습, 강화 학습의 세 가지 학습 알고리즘이 있는데, 그 중 기계 학습 알고리즘을 감독하여 예측한다. 또한 이 알고리즘은 데이터 포인트에 지정된 값 레이블에서 패턴을 검색합니다. 감독되지 않은 기계 학습 알고리즘은 레이블과 데이터 연관이 없는 것이다. 또한 이러한 ML 알고리즘은 데이터를 클러스터링합니다. 또한 그 구조를 설명하고 복잡한 데이터를 단순하게 보이게 하여 질서 있게 분석할 수 있어야 합니다. 향상된 기계 학습 알고리즘도 있습니다. 우리는 이 알고리즘을 사용하여 동작을 선택합니다. 또한 각 데이터 포인트를 기반으로 하는 것을 볼 수 있습니다. 시간이 지나면 알고리즘은 더 나은 학습을 위해 전략을 바꿀 것이다.
그렇다면 심화 학습이란 무엇일까요? 기계 학습은 실제 문제 해결에만 집중한다. 인공지능에 대한 아이디어도 필요합니다. 기계 학습은 인간의 의사결정능력을 모방하기 위한 신경망을 사용한다. 기계 학습 도구와 기술은 심도 있는 학습에만 초점을 맞춘 두 가지 주요 하위 세트입니다. 우리는 그것을 사용하여 사람이든 인위적이든 생각할 필요가 있는 어떤 문제도 해결해야 한다. (존 F. 케네디, 생각명언) 모든 깊이 신경망에는 입력 레이어, 억제된 레이어 및 출력 레이어의 세 가지 레이어가 포함됩니다.
그렇다면 심화 학습과 기계 학습의 관계는 무엇입니까? 보통 우리는 기계 알고리즘을 사용하여 데이터를 분석하고, 데이터를 배우고, 그로부터 이성적인 판단을 내린다. 근본적으로, 심도 있는 학습은 스스로 배우고 이성적인 결정을 내릴 수 있는 인공' 신경망' 을 만드는 데 쓰인다. (알버트 아인슈타인, 공부명언) 우리는 심화 학습이 기계 학습의 하위 영역이라고 말할 수 있다. 기계 학습과 심화 학습의 대비는 네 가지 방면에 나타난다. 첫 번째는 데이터 의존성입니다. 일반적으로 성능은 두 가지의 가장 중요한 차이점입니다. 데이터 양이 적으면 심화 학습 알고리즘이 제대로 작동하지 않습니다. 이것이 심도 있는 학습 알고리즘이 대량의 데이터를 필요로 완벽하게 이해할 수 있는 유일한 이유이다. 두 번째는 하드웨어 의존성입니다. 일반 심도 학습은 하이엔드 장치에 의존하고, 기존 학습은 로우엔드 장치에 의존한다. 그래서 심화 학습에는 GPU 가 필요합니다. 이것은 그 일에 없어서는 안 될 부분이다. 그들은 또한 많은 행렬 곱셈이 필요하다. 세 번째는 기능적 엔지니어링으로, 도메인 지식을 사용하여 피쳐 추출기를 만들어 데이터의 복잡성을 줄이고 학습 알고리즘의 작동 원리를 보다 잘 볼 수 있도록 하는 것입니다. 이는 처리하기 매우 어렵지만. 그래서 시간이 많이 걸리고 전문 지식이 필요합니다. 네 번째는 문제를 해결하는 방법이다. 일반적으로, 우리는 전통적인 알고리즘을 사용하여 문제를 해결한다. 그러나 그것은 문제를 다른 부분으로 나누어 개별적으로 해결해야 한다. 결과를 얻으려면 그것들을 결합하세요.
기계 학습과 심도 있는 학습에 대한 지식을 소개해 드리겠습니다. 기계 학습을 배울 때 이 두 지식의 차이를 간과해서는 안 된다. 이렇게 하면 기계 학습을 더 잘 이해할 수 있다.