Rozdiel medzi hlbokým vzdelávaním a učením o posilňovaní
Share
Hlboké aj posilnené učenie sú vysoko spojené s výpočtovou silou umelej inteligencie (AI). Sú to autonómne funkcie strojového učenia, ktoré počítačom umožňujú pripraviť si vlastné princípy pri hľadaní riešení. Tieto dva druhy výučby môžu existovať aj vo viacerých programoch. Hĺbkové vzdelávanie vo všeobecnosti využíva súčasné údaje, zatiaľ čo posilnené učenie využíva pri zisťovaní predpovedí metódu pokusu a omylu. Nasledujúce diskusie sa ďalej rozchádzajú v týchto rozdieloch.
Čo je to Deep Learning?
Hlboké vzdelávanie sa tiež nazýva hlboké štruktúrované učenie alebo hierarchické učenie. Prvýkrát to predstavila v roku 1986 Rina Dechter, profesorka informatiky. Využíva aktuálne informácie vo výučbových algoritmoch na hľadanie vhodných vzorcov, ktoré sú nevyhnutné pri prognózovaní údajov. Takýto systém využíva rôzne úrovne umelých neurónových sietí podobných neuronálnemu zloženiu ľudského mozgu. Pomocou komplexných spojení môže byť algoritmus schopný spracovať milióny informácií a zón v konkrétnejšej predikcii.
Tento druh učenia sa môže uplatniť, keď vývojári požadujú, aby softvér zaznamenal fialovú farbu na rôznych obrázkoch. Program by sa potom napájal množstvom obrázkov (teda „hlbokým“ učením) s fialovými farbami a bez nich. Prostredníctvom zoskupovania bude program schopný identifikovať vzory a naučiť sa, kedy označiť farbu ako fialovú. Hlboké vzdelávanie sa využíva v rôznych programoch rozpoznávania, ako sú analýzy obrázkov a úlohy súvisiace s predpovedaním, napríklad v predikciách časových radov.
Čo je výučba posilnenia?
Výučba posilnenia vo všeobecnosti zisťuje predpovede prostredníctvom pokusov a omylov. Pokiaľ ide o jeho históriu z hľadiska AI, bola vyvinutá na konci osemdesiatych rokov; bolo založené na výsledkoch pokusov na zvieratách, konceptoch optimálnej kontroly a metódach časového rozdielu. Popri kontrolovanom a nedohľadnutom učení je posilňovanie jednou zo základných paradigiem strojového učenia. Ako už názov napovedá, algoritmus je trénovaný prostredníctvom odmien.
Napríklad AI je vyvinutý na hranie s ľuďmi v určitej mobilnej hre. Vždy, keď stratí AI, algoritmus sa reviduje, aby sa maximalizovalo jeho skóre. Táto technika sa teda poučí zo svojich chýb. Po mnohých cykloch sa AI vyvinula a zlepšila sa v biti ľudských hráčov. Výučba zosilnenia sa používa v rôznych špičkových technológiách, ako je napríklad zlepšovanie robotiky, ťažba textu a zdravotníctvo.
Rozdiel medzi hlbokým vzdelávaním a učením o posilňovaní
Učebná technika
Hlboké učenie je schopné vykonávať cieľové správanie analyzovaním existujúcich údajov a aplikovaním toho, čo sa naučilo, na nový súbor informácií. Na druhej strane, učenie o posilnení je schopné zmeniť svoju reakciu prispôsobením nepretržitej spätnej väzby.
Existencia údajov
Hlboké vzdelávanie pracuje s už existujúcimi údajmi, pretože je to nevyhnutné pri nácviku algoritmu. Pokiaľ ide o posilnenie výučby, má charakter prieskumu a môže sa rozvíjať bez súčasného súboru údajov, pretože sa učí prostredníctvom pokusov a omylov.
prihláška
Hlboké učenie sa používa pri rozpoznávaní obrázkov a reči, pri predškolení v sieti a pri znižovaní rozmerov. Na rozdiel od toho sa učenie zosilnenia využíva pri interakcii s externými stimulmi s optimálnym riadením, napríklad v robotike, plánovaní výťahov, telekomunikáciách, počítačových hrách a zdravotníckej inteligencii..
Taktiež známy ako
Hlboké vzdelávanie je známe aj ako hierarchické učenie alebo hlboké štruktúrované učenie, zatiaľ čo posilnené učenie nemá iné všeobecne známe pojmy.
Strojové učenie
Hlboké vzdelávanie je jednou z mnohých metód strojového učenia. Na druhej strane je posilnené učenie oblasťou strojového učenia; je to jedno z troch základných paradigiem.
Ľudský mozog
V porovnaní s hlbokým vzdelávaním je posilnené učenie bližšie k schopnostiam ľudského mozgu, pretože tento druh inteligencie sa môže zlepšiť spätnou väzbou. Hlboké vzdelávanie je hlavne na uznanie a menej súvisí s interakciou.
histórie
Hlboké vzdelávanie prvýkrát predstavila v roku 1986 Rina Dechter, zatiaľ čo učenie posilnenia bolo vyvinuté koncom osemdesiatych rokov na základe konceptov pokusov na zvieratách, optimálneho riadenia a metódach časového rozdielu..
Hlboké učenie vs zosilňovanie učenia
zhrnutie
- Hlboké a zosilnené učenie sú autonómne funkcie strojového učenia, ktoré umožňujú počítačom vytvárať svoje vlastné princípy pri hľadaní riešení.
- Hlboké učenie využíva aktuálne informácie vo výučbových algoritmoch na hľadanie príslušných vzorcov, ktoré sú nevyhnutné pri prognózovaní údajov.
- Výučba posilnenia vo všeobecnosti zisťuje predpovede prostredníctvom pokusov a omylov.
- Hlboké vzdelávanie aplikuje naučené vzorce na nový súbor údajov a zároveň posilňuje zisky zo spätnej väzby.
- Hlboké vzdelávanie si vyžaduje, aby sa už učil už existujúci súbor údajov, zatiaľ čo posilnené vzdelávanie nevyžaduje, aby sa súčasný súbor údajov učil.
- Aplikácia hlbokého učenia sa častejšie uplatňuje na úlohy spojené s rozpoznávaním a redukciou oblasti, zatiaľ čo posilňujúce učenie je zvyčajne spojené s interakciou prostredia s optimálnym riadením.
- Hlboké vzdelávanie je známe aj ako hierarchické učenie alebo hlboké štruktúrované učenie, zatiaľ čo posilnené učenie nemá iný termín.
- Hlboké vzdelávanie je jednou z mnohých metód strojového učenia, zatiaľ čo posilnené vzdelávanie je jednou z troch základných paradigiem strojového učenia.
- Hlboké vzdelávanie bolo zavedené v roku 1986, zatiaľ čo učenie posilnenia bolo vyvinuté koncom osemdesiatych rokov.
