تفاوت بین یادگیری عمیق و یادگیری ماشین چیست؟

منتشرشده در Forbes به تاریخ ۲ سپتامبر ۲۰۲۰
لینک مقاله اصلی: What Is The Difference Between Deep Learning And Machine Learning?

دنیایی که ما در آن زندگی می‌کنیم به راحتی با کلمات شعارگونه تهییج می‌شود. از هوش مصنوعی تا بلاک چین، شرکت‌ها به سرعت مجذوب احتمالات جدیدی که نوآوری‌های تکنولوژیکی ارائه می‌دهند، می‌شوند.

از جمله این رویه‌ها و گرایش‌ها یادگیری ماشین و اخیرا یادگیری عمیق بوده‌است. اما یادگیری ماشین چیست و چه تفاوتی با یادگیری عمیق دارد؟

برای درک بهتر و روشن‌تر از «نگاشت» این مفاهیم، بهتر است یادگیری ماشین را به عنوان یک بخش پیشرفته‌تر هوش مصنوعی - یک کلمه شعارگونه دیگر که چند وقتی است در صنایع فراگیر در حال گسترش است - در نظر بگیریم. و با اینکه یادگیری ماشین زیر مجموعه‌ای از هوش مصنوعی است، اما مفهوم تکنولوژی هوشمند را از الگوریتم‌های سفت و سخت به سمت چابکی بیشتر می‌گیرد تا بتواند در نحوه تفکر،‌ مغز انسان را شبیه‌سازی کند. اساسا، یادگیری ماشین روشی برای تغذیه داده‌هایی است که با آن‌ها ماشین الگوها را مطالعه کرده و یاد می‌گیرد، الگوهای درون آن را شناسایی می‌کند، و نتایج را براساس داده‌های زندگی واقعی که با آن شروع می‌شود پیش‌بینی می‌کند.

به این ترتیب، یادگیری ماشین یک نوع منحصر به فرد از هوش مصنوعی است که به کامپیوترها اجازه می‌دهد تا بدون نیاز به برنامه‌ریزی صریح آن‌ها در وهله اول یاد بگیرند، زیرا الگوریتم ها رشد می‌کنند و به طور مستقل زمانی که در معرض داده‌های جدید قرار می‌گیرند توسعه می‌یابند.

یادگیری عمیق، به نوبه خود، زیرمجموعه دیگری از یادگیری ماشین است-اما نحوه عملکرد آن در سطح بالاتر و پیچیده‌تر است. وقتی می‌گوییم یادگیری عمیق، ما واقعا به مجموعه‌ای از شبکه‌های عصبی اشاره می‌کنیم که بر اساس داده‌هایی که به ماشین داده شده، این فرآیند یادگیری خودکار را انجام می‌دهند؛ نورون‌های تشکیل دهنده شبکه یاد می‌گیرند که تصمیم بگیرند کدام ویژگی‌ها برای انجام یک کار مشخص بهتر عمل می‌کنند یا داده‌ها را طبقه‌بندی کنند. در طول زمان، یادگیری عمیق احتمال یک طبقه‌بندی یا پیش‌بینی دقیق را بعد از تکرارهای فرآیند «یادگیری» بهبود می‌بخشد: مانند مغز انسان، شبکه‌های عمیق نیز می‌توانند از اشتباهات خود درس بگیرند. با یادگیری عمیق، بیش از یک لایه در شبکه عصبی وجود دارد؛ بنابراین در پایان، سوال این نیست که چگونه می‌توان بین یادگیری ماشین و یادگیری عمیق تمایز قائل شد.

در واقع، یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین با پیچیدگی و توانایی بیشتر است.

کسب‌وکار شما می‌تواند یادگیری عمیق را برای هر نوع داده-از صدا، ویدیو و گفتار گرفته تا تصاویر و کلمات نوشته شده-به کار بگیرد تا نتایج را پیش‌بینی کند و نتیجه‌گیری را درست مانند مغز انسان، اما بی‌نهایت سریع‌تر به دست آورد.

ما هر روز در مورد غول‌های تکنولوژی جدید می‌شنویم که یادگیری ماشین و آزمایشگاه‌های تحقیقاتی پیشرو را توسعه می‌دهند تا برای پیش بردن مرزهای تکنولوژیکی پیشرفته، الگوریتم‌های مبتنی بر یادگیری ماشین عمیق را توسعه دهند. گوگل در حال حاضر اجرای الگوریتم های یادگیری ماشین را در فن‌آوری خود در Gmail، گوگل سرچ و گوگل مپ در میان بسیاری از خدماتی که امروزه ارائه می‌دهند، آغاز کرده‌است. Priority Inbox (صندوق دارای اولویت) اکنون قادر است پیام‌های مهم را به طور خودکار تشخیص داده و آن‌ها را با یادگیری آنچه که در طول زمان برای کاربر مهم است، به صورت جداگانه از صندوق جمع‌آوری کند؛ Smart Reply (پاسخ هوشمند) برای ارائه پاسخ‌های معمول به ایمیل‌ها سریع عمل می‌کند.

منطق مشابهی در پشت برنامه‌های جستجوی گوگل و گوگل مپ وجود دارد که بسیاری از ما روزانه از آن‌ها استفاده می‌کنیم. شاید شهودی و یکپارچه به نظر برسد، اما یادگیری ماشین بخشی جدایی‌ناپذیر از تجربه جستجوی روان است که همه ما به آن عادت داریم: سیستم به طور جادویی «حدس می‌زند» که ما قصد داریم به دنبال چه چیزی بگردیم، اما حقیقت این است که این اتفاق واقعا «جادو» نیست. این یک سیستم هوشمند است که از جستجوهای گذشته ما مطلع است و آنچه را که ممکن است هنگام شروع تایپ کردن جستار به دنبال آن باشیم پیش‌بینی می‌کند.

یادگیری ماشین پشت تجربه کاربر بسیار سفارشی‌سازی‌شده‌ای که نتفلیکس به اعضای خود ارائه می‌دهد نیز قرار دارد . این شرکت گزارش می‌دهد که سرمایه زیادی را برای بهبود مستمر سیستم پیشنهادهای خود در یادگیری ماشین صرف کرده است که سلیقه و اولویت‌های کاربران را مورد بررسی قرار می‌دهد. یادگیری ماشینی که این شرکت به کار گرفته، از سلیقه کاربران استفاده می‌کند تا محتواهای مطابق خواسته آن‌ها را پخش کند و پیشنهادهای مناسبی برای اینکه کاربر بعد از این چه چیزی را تماشا کند، ارائه دهد. نتفلیکس همچنین از یافته‌های خود از نمونه‌سازی و تست A/B برای غنی‌سازی کتابخانه محتوای فیلم‌های اختصاصی استفاده می‌کند و در تولید محتوایی سرمایه‌گذاری می‌کند که برای مخاطبان خود جالب خواهد بود.

فراتر از سرگرمی و شخصی سازی، یادگیری عمیق، «مغز» در پس ظهور وسایل نقلیه خودمختار مانند Drive.ai با سیستم‌های مسیریابی مستقل است. با توجه به توانایی یادگیری عمیق در یادگیری و طبقه‌بندی داده‌ها، خودروهای خودمختار می‌توانند از حسگرهایی برای یادگیری شناسایی موانع مختلف، از جمله عابران پیاده، سدکننده راه‌ها، ساخت و سازهای جاده‌ای و بسیاری دیگر، استفاده کنند و اطمینان حاصل کنند که ماشین به طور مناسب به مانع واکنش نشان می‌دهد. این تنها در مورد بهینه‌سازی امن‌ترین و کارآمدترین مسیرها نیست: به نظر می‌رسد که خودروهای خود-راننده در توانایی خود برای مدیریت شرایطی که حتی رانندگان انسان نیز در آن دچار مشکل می‌شوند، در حال بهبود هستند. از باران گرفته تا طوفان و دیگر شرایط آب و هوایی غیر منتظره، ماشین‌های خود مختار با افزایش داده‌هایی که با آن آموزش می‌بینند، در تبدیل شدن به حمل و نقل کامل بهتر می‌شوند.

البته، با فرهنگ فعلی که در آن کسب و کارها شیفته هر تکنولوژی جدیدی که ایجاد می‌شود هستند، گرفتار شدن در دام تمامی تکنولوژی‌های پیشرفته‌ای که این صنعت در حال حاضر در مورد آن‌ها صحبت می‌کند، آسان است. اما در مورد یادگیری ماشین و به طور خاص یادگیری عمیق، من معتقدم که این اعتیاد به خوبی شایسته است و به درستی آینده شرکت‌هایی که چنین پیشرفت بزرگی داشته‌اند را برجسته می‌کند. برای استفاده از این تکنولوژی در کسب‌وکار شما، بسیار مهم است که به وضوح نقشه‌ای را که صنعت را از هوش مصنوعی به یادگیری ماشین و در حال حاضر به یادگیری عمیق با تعداد زیادی از شبکه‌های عصبی می‌برد، تصویر کنید.

و هر روز، ما به تکرار روش انعطاف‌پذیر و چابک فکر کردن که مغز انسان دارد - البته به شکل بسیار، بسیار سریع‌تر- نزدیک‌تر می‌شویم.

این متن با استفاده از ربات ترجمه مقاله علمی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.