Forskjell mellom Neural Network og Deep Learning
Share
De nøkkelforskjell mellom neuralt nettverk og dyp læring er det Neural nettverk fungerer som neuroner i den menneskelige hjerne for å utføre ulike beregningsoppgaver raskere mens dyp læring er en spesiell type maskinlæring som etterligner læringsmetoden som mennesker bruker for å få kunnskap.
Neural nettverk bidrar til å bygge prediktive modeller for å løse komplekse problemer. På den annen side er dyp læring en del av maskinlæring. Det bidrar til å utvikle talegjenkjenning, bildegjenkjenning, naturlig språkbehandling, anbefalingssystemer, bioinformatikk og mange flere. Neural Network er en metode for å gjennomføre dyp læring.
INNHOLD
1. Oversikt og nøkkelforskjell
2. Hva er Neural Network
3. Hva er Deep Learning
4. Side ved side-sammenligning - Neural Network vs Deep Learning in Tabular Form
5. Sammendrag
Hva er Neural Network?
Biologiske nevroner er inspirasjonen for nevrale nettverk. Det er millioner av nevroner i den menneskelige hjernen og informasjonsprosessen fra en neuron til en annen. Neural Networks bruker dette scenariet. De lager en datamodell som ligner på en hjerne. Det kan utføre beregningsmessige komplekse oppgaver raskere enn et vanlig system.
Figur 01: Neural Network Block Diagram
I et neuralt nettverk knytter knutene til hverandre. Hver forbindelse har en vekt. Når inngangene til noderne er x1, x2, x3, ... og de tilsvarende vikter er w1, w2, w3, ... så er nettinngangen (y),
y = x1w1 + x2w2 + x3w3 + ... .
Etter å ha lagt inn nettinngangen til aktiveringsfunksjonen, gir den utgangen. Aktiveringsfunksjonen kan være lineær eller sigmoid-funksjon.
Y = F (y)
Hvis denne utgangen er forskjellig fra ønsket utgang, justeres vekten igjen, og denne prosessen fortsetter til å få ønsket utgang. Denne oppdateringsvekten skjer i henhold til backpropagasjonsalgoritmen.
Det er to nevrale nettverkstopologier kalt feedforward og tilbakemelding. De fremmatende nettverkene har ingen tilbakemeldingsløype. Med andre ord, signalene flyter bare fra inngang til utgang. Feedforward-nettverk deles videre til et enkelt lag og flerlags nevrale nettverk.
Nettverkstyper
I enkeltlags nettverk kobler inngangslaget til utgangslaget. Flerlags nevrale nettverk har flere lag mellom inngangslaget og utgangslaget. Disse lagene heter de skjulte lagene. Den andre nettverketypen som er tilbakemeldingsnettene, har tilbakemeldingsveier. Videre er det en mulighet til å formidle informasjon til begge sider.
Figur 02: Multilayer Neural Network
Et neuralt nettverk lærer ved å endre vikten av forbindelsen mellom noder. Det er tre læringstyper, som veiledet læring, uovervåket læring og forsterkningslæring. Under veiledet læring vil nettverket gi en utgangsvektor i henhold til inngangsvektoren. Denne utgangsvektoren er sammenlignet med den ønskede utgangsvektoren. Hvis det er forskjell, vil vektene endre seg. Disse prosessene fortsetter til den faktiske utgangen samsvarer med ønsket utgang.
I ikke-overvåket læring identifiserer nettverket mønstrene og funksjonene fra inngangsdata og relasjon for inngangsdata av seg selv. I denne læringen kombineres inngangsvektorer av lignende typer for å lage klynger. Når nettverket får et nytt inngangsmønster, vil det gi utdataene spesifisering av klassen som det inngangsmønsteret tilhører. Armeringen lærer aksepterer noen tilbakemeldinger fra miljøet. Da endrer nettverket vektene. Det er metodene for å trene et neuralt nettverk. Samlet sett bidrar nevrale nettverk til å løse ulike mønstergjenkjenningsproblemer.
Hva er Deep Learning?
Før dyp læring er det viktig å diskutere maskinlæring. Det gir mulighet for en datamaskin til å lære uten eksplisitt programmert. Med andre ord bidrar det til å skape selvlærende algoritmer for å analysere data og gjenkjenne mønstre for å ta beslutninger. Men det er noen begrensninger er generell maskinlæring. For det første er det vanskelig å arbeide med høydimensjonale data eller ekstremt stort sett med innganger og utganger. Det kan også være vanskelig å gjøre funksjonen ekstraksjon.
Dyp læring løser disse problemene. Det er en spesiell type maskinlæring. Det bidrar til å bygge læringsalgoritmer som kan fungere som menneskelig hjerne. Dype nevrale nettverk og tilbakevendende nevrale nettverk er noen dype læringsarkitekturer. Et dypt neuralt nettverk er et neuralt nettverk med flere skjulte lag. Gjentagende nevrale nettverk bruker minne til å behandle sekvenser av innganger.
Hva er forskjellen mellom Neural Network og Deep Learning?
Et neuralt nettverk er et system som fungerer som neuroner i den menneskelige hjerne for å utføre ulike beregningsoppgaver raskere. Dyp læring er en spesiell type maskinlæring som etterligner læringsmetoden som mennesker bruker for å få kunnskap. Neural Network er en metode for å oppnå dyp læring. På den annen side er Deep Leaning en spesiell form for Machine Leaning. Dette er hovedforskjellen mellom neuralt nettverk og dyp læring
Oppsummering - Neural Network vs Deep Learning
Forskjellen mellom nevrale nettverk og dyp læring er at nevrale nettverk fungerer som neuroner i menneskets hjerne for å utføre ulike beregningsoppgaver raskere, mens dyp læring er en spesiell type maskinlæring som imiterer læringsmetoden som mennesker bruker for å få kunnskap.
Henvisning:
1. "Hva er Deep Learning (Deep Neural Network)? - Definisjon fra WhatIs.com. "SearchEnterpriseAI. Tilgjengelig her
2. "Deep Learning." Wikipedia, Wikimedia Foundation, 30. mai 2018. Tilgjengelig her
3.edurekaIN. Hva er dyp læring | Dyp læring forenklet | Deep Learning Tutorial | Edureka, Edureka !, 10. mai 2017. Tilgjengelig her
4.Tutorials Point. "Artificial Neural Network Building Blocks." Tutorials Point, 8. januar 2018. Tilgjengelig her
Bilde Courtesy:
1.Artificial neural network'By Geetika saini - Eget arbeid, (CC BY-SA 4,0) via Commons Wikimedia
2.'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbderivative arbeid: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) via Commons Wikimedia
