Чем глубинное обучение отличается от классического машинного обучения?

Некоторые отличия глубинного обучения (deep learning) от классического машинного обучения (machine learning):

• Подход к обработке данных. sky.pro В машинном обучении алгоритмы обучаются на заранее подготовленных признаках, выделенных экспертами. sky.pro В глубоком обучении алгоритмы самостоятельно выявляют и извлекают признаки из сырых данных благодаря многослойной структуре нейронной сети. sky.pro
• Объём данных. sky.pro qudata.com Машинное обучение может эффективно работать с небольшими наборами данных (тысячи или десятки тысяч образцов). sky.pro Глубокое обучение требует значительных массивов данных (сотни тысяч или миллионы образцов) для выявления сложных закономерностей и избежания переобучения. sky.pro
• Вычислительная инфраструктура. sky.pro ML-алгоритмы часто могут быть обучены на стандартных CPU, требуя от нескольких минут до нескольких часов. sky.pro Глубокие нейронные сети практически всегда требуют GPU или специализированных ускорителей (TPU, FPGA), а время обучения может измеряться днями или даже неделями для крупных моделей. sky.pro
• Процесс конструирования признаков. learn.microsoft.com Машинное обучение требует точного определения признаков и их создания пользователями. learn.microsoft.com Глубокое обучение распознаёт признаки высокого уровня на основе данных и самостоятельно создаёт новые признаки. learn.microsoft.com
• Выходные данные. learn.microsoft.com Выходными данными машинного обучения обычно является числовое значение, например оценка или классификация. learn.microsoft.com Выходные данные глубокого обучения могут иметь несколько форматов, например текст, оценка или звук. learn.microsoft.com

Глубокое обучение является подмножеством машинного обучения. sky.pro qudata.com Правильный выбор между этими подходами зависит от конкретной задачи, доступных ресурсов и требований к точности модели. qudata.com