Diferenças entre aprendizado supervisionado e aprendizado profundo
No aprendizado supervisionado, os dados de treinamento que você alimenta para o algoritmo incluem as soluções desejadas, chamadas rótulos. Uma tarefa típica de aprendizado supervisionado é a classificação. O filtro de spam é um bom exemplo disso: é treinado com muitos e-mails de exemplo junto com sua classe (spam ou presunto) e precisa aprender a classificar novos e-mails.
O aprendizado profundo é uma tentativa de imitar a atividade em camadas de neurônios no neocórtex, que é cerca de 80% do cérebro onde ocorre o pensamento (em um cérebro humano, existem cerca de 100 bilhões de neurônios e 100 a 1000 trilhões de sinapses). É chamado de profundo porque possui mais de uma camada oculta de neurônios que ajuda a ter vários estados de transformação não linear de características
Comparação direta de aprendizado supervisionado versus aprendizado profundo (infográficos)
Abaixo está a comparação dos 5 principais entre aprendizado supervisionado e aprendizado profundo 
Principais diferenças entre aprendizado supervisionado e aprendizado profundo
Tanto o aprendizado supervisionado quanto o aprendizado profundo são escolhas populares no mercado; vamos discutir algumas das principais diferenças entre aprendizado supervisionado e aprendizado profundo:
● Modelos principais -
Modelos supervisionados importantes são -
○ k-vizinhos mais próximos - usado para classificação e regressão
○ Regressão linear - para previsão / regressão
○ Regressão logística - para classificação
○ Máquinas de vetores de suporte (SVMs) - usadas para classificação e regressão
○ Árvores de decisão e florestas aleatórias - Tarefas de classificação e regressão
Redes neurais profundas mais populares:
● Perceptrons de multicamadas (MLP) - tipo mais básico. Essa rede geralmente é a fase inicial da construção de outra rede profunda mais sofisticada e pode ser usada para qualquer problema de classificação ou regressão supervisionada
● Autoencoders (AE) - a rede possui algoritmos de aprendizado não supervisionado para aprendizado de recursos, redução de dimensão e detecção de outlier
● Rede Neural de Convolução (CNN) - particularmente adequada para dados espaciais, reconhecimento de objetos e análise de imagens usando estruturas de neurônios multidimensionais. Ultimamente, uma das principais razões para a popularidade do aprendizado profundo é a CNN.
● Rede Neural Recorrente (RNN) - RNNs são usados para análise de dados seqüenciais, como séries temporais, análise de sentimentos, PNL, tradução de idiomas, reconhecimento de fala e legenda de imagens. Um dos tipos mais comuns de modelo RNN é a rede LSTM (Long Short-Term Memory).
● Dados de treinamento - Como mencionado anteriormente, os modelos supervisionados precisam de dados de treinamento com etiquetas. Mas o aprendizado profundo pode lidar com dados com ou sem rótulos. Algumas arquiteturas de redes neurais podem não ser supervisionadas, como codificadores automáticos e máquinas Boltzmann restritas
● Seleção de recursos - Alguns modelos supervisionados são capazes de analisar recursos e um subconjunto selecionado de recursos para determinar o destino. Mas na maioria das vezes isso precisa ser tratado na fase de preparação de dados. Mas nas Redes Neurais Profundas, novos recursos são surgidos e os indesejados são descartados à medida que o aprendizado progride.
● Representação de dados - Nos modelos supervisionados clássicos, a abstração de alto nível dos recursos de entrada não é criada. Modelo final tentando prever a saída aplicando transformações matemáticas em um subconjunto de recursos de entrada.
Mas em redes neurais profundas, abstrações de recursos de entrada são formadas internamente. Por exemplo, ao traduzir o texto, a rede neural primeiro converte o texto de entrada em codificação interna e depois transforma a representação abstraída no idioma de destino.
● Modelos de ML supervisionados por estrutura são suportados por muitas estruturas genéricas de ML em diferentes idiomas - Apache Mahout, Scikit Learn, Spark ML são alguns deles.
Maioria As estruturas de aprendizado profundo fornecem uma abstração fácil de desenvolver para criar uma rede facilmente, cuidar da distribuição da computação e oferecer suporte para GPUs.Caffe, Caffe2, Theano, Torch, Keras, CNTK e TensorFlow são estruturas populares. agora com suporte ativo da comunidade.
Tabela de comparação Aprendizado supervisionado x Aprendizado profundo
Abaixo, algumas comparações importantes entre aprendizado supervisionado e aprendizado profundo
| A base de comparação entre aprendizado supervisionado e aprendizado profundo | Aprendizado supervisionado | Aprendizagem Profunda |
| Modelo de Treinamento | Principais tarefas no treinamento -
| Principais tarefas no treinamento -
|
| Potencial do sistema | Usado para resolver tarefas relativamente simples em que a relação com os recursos de entrada e o destino é detectável pelo homem e a engenharia de recursos é direta. Por exemplo :
| O aprendizado profundo pode realizar tarefas realmente inteligentes, como
|
| Flexibilidade | Os modelos são mais flexíveis, o que ajuda a ajustar facilmente o modelo ML. Existem métodos bem definidos, como pesquisa em grade com validação cruzada, para encontrar os hiperparâmetros certos | Menos flexível, pois existem muitos hiperparâmetros para ajustar como várias camadas, o número de neurônios por camada, o tipo de função de ativação a ser usada em cada camada, a lógica de inicialização do peso e muito mais. |
| Representação de recursos | Recursos derivados ou abstratos a serem criados explicitamente. Por exemplo, recursos polinomiais como entrada para um modelo de regressão Linear | Representação abstrata de dados gerada automaticamente em camadas ocultas. É por isso que uma rede neural treinada da CNN pode detectar um gato em uma imagem. |
| Modelos generativos | Não é possível gerar nada original, pois a representação automática de dados abstratos não está acontecendo | Uma vez treinado, um tipo específico de rede neural profunda pode gerar novas imagens, músicas ou textos. Esses são chamados GNN (rede neural generativa) ou GAN (redes adversas generativas)
Alguma implementação desse tipo de rede é usada para criar até novos designs de moda |
Conclusão - Aprendizado supervisionado versus aprendizado profundo
A precisão e a capacidade do DNN (Deep Neural Network) s aumentaram muito nos últimos anos. É por isso que agora os DNNs são uma área de pesquisa ativa e, acreditamos, têm potencial para desenvolver um Sistema Inteligente Geral. Ao mesmo tempo, é difícil argumentar por que um DNN fornece uma saída específica, o que dificulta o ajuste fino de uma rede. Portanto, se um problema puder ser resolvido usando modelos simples de ML, é altamente recomendável usá-lo. Devido a esse fato, uma regressão linear simples terá relevância mesmo se um sistema inteligente geral for desenvolvido usando DNNs.
Artigo recomendado
Este foi um guia para as principais diferenças entre aprendizado supervisionado e aprendizado profundo. Aqui também discutimos as principais diferenças entre Aprendizado supervisionado e Aprendizado profundo com infográficos e tabela de comparação. Você também pode dar uma olhada nos seguintes artigos -
- Aprendizado supervisionado vs aprendizado por reforço
- Aprendizado supervisionado versus aprendizado não supervisionado
- Redes Neurais vs Deep Learning
- Aprendizado de máquina x análise preditiva
- TensorFlow vs Caffe: Quais são as diferenças
- O que é aprendizado supervisionado?
- O que é Aprendizado por Reforço?
- Top 6 Comparações entre CNN vs RNN