تفاوت یادگیری عمیق (Deep learning) با یادگیری ماشینی(Machine learning)
در هوش مصنوعی به دنبال طراحی و ساخت ماشینی هستیم که بتونه سه فرایند پایه ی تفکر ، یادگیری و تصمیم گیری رو بدون دخالت هوش بشری با موفقیت انجام بده . در مرحله یادگیری و آموزش اسم یادگیری ماشین و یادگیری عمیق رو زیاد شنیدیم ولی ممکنه در تشخیص تفاوت بین این دو فناوری دچار ابهاماتی شده باشیم که برای رفع این ابهامات ابتدا به طور خلاصه باید بگیم که در علم یادگیری ماشین تلاش می شود که به جای برنامه نویسی همه چیز ، داده ها به یک الگوریتم عمومی دادن بشن و این الگوریتم براساس داده های نمونه ای که در اختیارشون قرار گرفته یک مدل ریاضی برای پیش بینی یا تصمیم گیری اگاهانه طراحی کنن . به عنوان مثال از یادگیری ماشین برای بهبود چشمگیر در بینایی ماشین و تشخیص یک شی در یک تصویر یا فیلم ، پیش بینی وضع اب و هوا ، تشخیص های پزشکی و دسته بندی انواع پیام های ایمیل میتونیم استفاده کنیم .
اما در یادگیری عمیق که زیرشاخه ای از یادگیری ماشین و در واقع یادگیری ماشین تکامل یافته هست از ساختار و عملکرد مغز انسان یعنی اتصال بسیاری از سلول های عصبی الهام گرفته شده که از یک شبکه ی عصبی قابل برنامه ریزی استفاده می کند تا ماشین ها رو بدون کمک هوش بشری قابل به تصمیم گیری دقیقی بکنند . به عنوان مثال از یادگیری عمیق می توان به ابر کامپیوترهای بازیکن ، طراحی دارو ، فیلترینگ شبکه های اجتماعی و شناسایی گفتار اشاره کرد .
حالا که با مفاهیم این دو نوع یادگیری بیشتر اشنا شدیم بهتر میتونیم به تفاوت های بینشون بپردازیم .
اولین تفاوت بین این دو یادگیری ، نحوه ی عملکرد سیستم ها با افزایش میزان داده هاست . الگوریتم های یادگیری عمیق به حجم بالایی از داده ها نیاز دارن تا بتونن شیوه های ارتباط داده ها با یکدیگر رو بهتر بفهمن اما الگوریتم های یادگیری ماشینی با حجم کم داده ها به خوبی کنار میان .
به عنوان دومین تفاوت میشه گفت که الگوریتم های یادگیری عمیق فقط در ماشین های پیشرفته و فوق حرفه ای میتونن به خوبی عمل کنن و به وجود GPU نیاز ضروری دارن ولی الگوریتم های یادگیری ماشینی حتی در ضعیف ترین سیستم ها هم قابل اجرا هستن .
در سومین تفاوت میشه گفت در یادگیری عمیق سیستم باید اموزش ببینه و بتونه به صورت اتوماتیک از میان داده ها قابلیت نهایی رو براورد کنه اما در یادگیری ماشین اکثر قابلیت ها باید توسط متخصص شناسایی و کدهای مربوطشون به سیستم ارائه بشن .
چهارمین تفاوت مربوط به روش های حل مسئله در این دو نوع یادگیری هست . در یادگیری ماشین ابتدا مسئله به چند لایه مختلف شکسته میشه و هر لایه و قسمت به صورت جداگانه به سیستم ارائه میشن و نتایج نهایی با هم تلفیق و ارائه میشن اما در یادگیری عمیق تمام این فرایند بدون نیاز به دخالت متخصص از ابتدا تا انتها به طور خودکار و بدون گسستگی انجام میشه .
و در نهایت پنجمین تفاوت به زمان اجرای فرایند برمیگرده چرا که اموزش الگوریتم های یادگیری عمیق زمان زیادی میخواد چون پارامترهای زیادی باید بررسی و به سیستم اموزش داده بشن و این زمان در یادگیری ماشینی بسیار کمتر هستش .
به عنوان یه مثال ساده و نهایی برای درک این تفاوت ها میشه به تشخیص اشکال مربع و مثلث توسط این دو نوع یادگیری در ماشین اشاره کرد که در یادگیری ماشین سیستم بر اساس داده های نمونه ی قبلی تشخیص میده که مربع ها چهار نقطه و مثلث ها سه نقطه دارند اما در یادگیری عمیق سیستم به جای استفاده از اطلاعات قبلی از الگوریتمی که ساختار های کلی مثل تعداد خطوط عمود ، مستقیم و متصل به هم شکل تشخیص میده رو کمک میگیره .
در پایان میتونیم بگیم که با اینکه یادگیری ماشین با صرف هزینه و داده ی کمتر روز به روز عملکردش رو بهبود میده ولی هنوز هم به راهنمایی متخصص و هوش انسانی نیاز داره اما یادگیری عمیق از طریق شبکه ی عصبی عمیق میتونه خودش رو اصلاح کنه و از طریق روش محاسبات قبلی خود اموزش ببینه و به هدف دانش هوش مصنوعی یعنی طراحی سیستمی با دارا بودن بیشترین هوش شبیه انسان کمک بیشتری بهمون بکنه .