یادگیری ماشین در مقابل یادگیری عمیق

منتشر‌شده در towardsdatascience به تاریخ ۱۷ ژوئن ۲۰۲۱
لینک منبع Machine Learning vs Deep Learning

فهرست محتوا

۱. مقدمه

۲. یادگیری ماشینی

۳. یادگیری عمیق

۴. خلاصه

۵. مراجع

مقدمه

مقالات متعددی وجود دارند که علم داده و یادگیری عمیق را مقایسه می‌کنند، اما هنوز برخی سردرگمی در مورد آنچه که بین یادگیری ماشینی و یادگیری عمیق متفاوت است، و همچنین آنچه که بین مطالعه یادگیری ماشینی و عناوین حرفه‌ای مرتبط با یادگیری ماشینی متفاوت است، وجود دارد. آیا تفاوتی وجود دارد؟ هر کدام به چه معناست؟ در این مقاله، ما تفاوت‌ها، و همچنین نمونه‌های عنوان شغلی هر زمینه را بررسی خواهیم کرد. اگر می‌خواهید در مورد اینکه یادگیری ماشینی و یادگیری عمیق به چه معنی است و چگونه آن‌ها در محل کار متفاوت هستند بدانید به خواندن ادامه دهید.

یادگیری ماشینی

یادگیری ماشینی یا ML، با توجه به علم داده، اتوماسیون الگوریتم‌ها برای پیش‌بینی یک هدف با استفاده از داده‌های گذشته است. همچنین مهم است که توجه داشته باشید مشاغل مختلفی در ارتباط با یادگیری ماشین وجود دارد. برای مثال، شما می‌توانید عناوین شغلی ML زیر را انتظار داشته باشید:

• مهندس یادگیری ماشینی
• مهندس MLOPS
• مهندس پلت‌فرم ML
• دانشمند ML

عنوان یادگیری ماشینی در مقابل زمینه یادگیری ماشینی اغلب متفاوت است. به عنوان مثال، یک مهندس یادگیری ماشینی ممکن است تنها الگوریتم‌های یادگیری ماشینی را اجرا کند -بدون نیاز به دانستن بیش از حد در مورد اینکه این الگوریتم‌ها چگونه کار می‌کنند تا پیش‌بینی را ایجاد کنند- و این نقش اغلب در مفهوم عملیاتی مورد اشاره قرار می‌گیرد، در حالی که زمینه یادگیری ماشینی، خود الگوریتم‌ها را خلاصه می‌کند. یک دانشمند داده در واقع شخصی خواهد بود که بیشتر بر روی خود الگوریتم‌ها تمرکز می‌کند. در نهایت، زمانی که برای یک شغل در یادگیری ماشین درخواست می‌دهید، مهم است که به توصیف شغل نگاه کنید، زیرا آنچه انتظار دارید ممکن است درست نباشد، علاوه بر مزیت داشتن توضیح برای شرکت، دپارتمان، و خود نقش خاص.

الگوریتم‌های یادگیری ماشینی بی شماری وجود دارند، و در اینجا برخی از محبوب‌ترین آن‌ها آورده شده‌است:

• ابزار K
• تجزیه و تحلیل اصلی اجزا
• ماشین بردار پشتیبانی خطی
• الگوریتم‌ Naive Bayes
• درخت تصمیم
• رگرسیون لجستیک
• جنگل تصادفی
• الگوریتم‌ XGBoost
• الگوریتم‌ CatBoost

این الگوریتم‌ها اغلب الگوریتم‌های یادگیری ماشینی نامیده می‌شوند و در مدل علم داده کلی که برای داده‌ها و ویژگی‌های شما منحصر به فرد است، مورد استفاده قرار می‌گیرند.

یادگیری عمیق

یادگیری عمیق یک جنبه از یادگیری ماشینی است. همچنین از مطالعه الگوریتم‌هایی که شامل لایه‌های شناخته‌شده به عنوان شبکه‌های عصبی مصنوعی هستند، تشکیل شده‌است. برای عناوین شغلی، اینها مواردی هستند که می‌توانید در یادگیری عمیق انتظار داشته باشید:

• مهندسی یادگیری عمیق
• مهندس یادگیری ماشینی
• مهندس هوش مصنوعی
• مهندس بینایی کامپیوتر
• دانشمند هوش مصنوعی

شما متوجه خواهید شد که من عنوان شغل مهندس یادگیری ماشینی را در بخش شغلی یادگیری عمیق نیز حفظ کرده‌ام. به این دلیل که، همانطور که در بالا گفتیم، یادگیری عمیق یادگیری ماشینی است، بنابراین برای نقش‌ها، می‌توانیم انتظار داشته باشیم که برخی از مهندسان یادگیری ماشینی بر روی هر دو الگوریتم یادگیری ماشینی عمومی و همچنین الگوریتم‌های یادگیری عمیق خاص تمرکز کنند.

چندین الگوریتم یادگیری عمیق وجود دارد، و در اینجا برخی از محبوب‌ترین آن‌ها آورده شده‌است:

• شبکه‌های عصبی کانولوشن (CNN)
• شبکه‌های عصبی بازگشت‌کننده (RNN)
• شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)

همانطور که می‌بینید، همه این مثال‌ها شامل عبارت شبکه عصبی هستند. البته، الگوریتم‌های یادگیری خاص نیز وجود دارند.

خلاصه

من می‌خواستم این مقاله را کوتاه و جذاب نگه دارم، چون این زمینه‌ها و عناوین شغلی می‌توانند کاملا گیج‌کننده باشند. اما در نهایت، زمانی که برای یک شغل درخواست می‌دهید، باید واقعا به توصیف شغل نگاه کنید، و همچنین با مدیر استخدام در شرکت صحبت کنید.

چند دلیل وجود دارد که چرا شرح شغل می‌تواند تا حدودی ترکیبی از چند نقش باشد. استخدام‌کنندگان ممکن است توصیف شغل را با مهارت‌های مربوطه خود و موارد استفاده مورد انتظار انجام داده باشند، بنابراین ممکن است کاملا با عنوان مطابقت نداشته باشند. دلیل دیگر این است که مدیران استخدام ممکن است در واقع فقط ترکیبی از کسی را بخواهند که الگوریتم های یادگیری ماشین عمومی را می‌داند و در یادگیری عمیق تمرین دارد.

دلیل اینکه ما ممکن است یادگیری ماشینی یا نقش علم داده بیشتری را در یادگیری عمیق ببینیم این است که این می‌تواند کاملا محدود کننده باشد که فرض کنیم شما تنها از مجموعه خاصی از الگوریتم‌های یادگیری عمیق استفاده خواهید کرد. به عنوان یک دانشمند داده، شما می‌دانید که با یک مشکل شروع خواهید کرد، و از آنجا، شما می‌توانید با استفاده از مجموعه‌ای از تجزیه و تحلیل داده، کد پایتون، تکنیک‌های علم داده، الگوریتم‌های یادگیری ماشینی، و الگوریتم‌های خاص یادگیری عمیق تلاش کنید. اما، تا زمانی که وارد داده‌ها، موانع راه، و الزامات شوید، این را نمی‌دانید. یک دلیل اینکه یک عنوان تنها برای یادگیری عمیق درست است این است که افرادی که در شرکت کار می‌کنند می‌دانند که شما باید بر روی این الگوریتم‌ها تمرکز کنید تا یک پروژه یا محصول موفق داشته باشید.

به طور خلاصه، در اینجا چند نکته مهم از این مقاله آورده شده‌است:

• یادگیری ماشینی الگوریتم‌هایی را برای پیش‌بینی هدف با استفاده از داده در بر می‌گیرد
• مطالعه یادگیری ماشینی اغلب با کار یادگیری ماشین متفاوت است: مطالعه الگوریتم در مقابل اجرای آن الگوریتم‌ها (به عنوان مثال: استقرار).
• دانشمندان داده معمولا با الگوریتم‌های یادگیری ماشینی کار می‌کنند، از جمله وظایفی مانند انتخاب / آزمایش که فرد باید با توجه به مورد استفاده از آن‌ها استفاده کند.
• یادگیری عمیق یادگیری ماشینی است
• یادگیری عمیق مختص شبکه‌های عصبی مصنوعی است.
• مثالی از مقایسه همه این اصطلاحات در یک جمله: سارا از الگوریتم یادگیری عمیق-ماشینی برای مدل علم داده خود استفاده کرد.

امیدوارم مقاله مرا جالب و مفید دیده باشید. لطفا اگر با توضیح من در مورد این دو اصطلاح مشهور موافق یا مخالف هستید، لطفا در قسمت زیر نظر بدهید. چرا؟ و چرا نه؟ قطعا می‌توان این موارد را حتی بیشتر روشن کرد، اما من امیدوارم بتوانم برخی از تفاوت‌های اصلی و اشتباهات رایج بین تفسیر آن‌ها، به خصوص در اشاره به عناوین شغلی را روشن کنم. از شما به خاطر خواندن تشکر می‌کنم!

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

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.