Både dyp og forsterkningslæring er sterkt assosiert med datakraften til kunstig intelligens (AI). De er autonome maskinlæringsfunksjoner som legger til rette for at datamaskiner kan lage sine egne prinsipper for å komme med løsninger. Disse to typer læring kan også eksistere sammen i flere programmer. Som regel, dyp læring bruker nåværende data samtidig som forsterkning læring bruker prøving og feiling metoden for å finne ut spådommer. Følgende diskusjoner fordyper seg ytterligere i slike skill.
Hva er Deep Learning?
Dyp læring blir også betegnet som dyp strukturert læring eller hierarkisk læring. Dette ble først introdusert i 1986 av Rina Dechter, en informatikk professor. Den bruker aktuell informasjon i undervisningsalgoritmer for å lete etter relevante mønstre som er essensielle i prognosedata. Et slikt system benytter forskjellige nivåer av kunstige nevrale nettverk som ligner den menneskelige hjernens nevronale sminke. Ved hjelp av komplekse lenker kan algoritmen være i stand til å behandle millioner av informasjon og sone inn på en mer spesifikk prediksjon.
Denne typen læring kan brukes når utviklere ønsker en programvare for å få øye på fargen fiolett på forskjellige bilder. Programmet blir deretter matet med et antall bilder (derav 'dyp' læring) med og uten fiolette farger. Gjennom klynging vil programmet kunne identifisere mønstre og lære når man skal markere en farge som fiolett. Dyp læring er ansatt i forskjellige anerkjennelsesprogrammer, for eksempel bildeanalyser og prognoseoppgaver som i tidsseriespådommer.
Hva er forsterkningslæring?
Forsterkningslæring viser generelt spådommer gjennom prøving og feiling. Når det gjelder historien fra AI-perspektivet, ble den utviklet på slutten av 1980-tallet; det var basert på resultatene fra dyreforsøk, konsepter om optimal kontroll og tidsmessige forskjeller. Ved siden av veiledet og uten tilsyn læring, er forsterkning et av de grunnleggende paradigmene i maskinlæring. Som navnet antyder, blir algoritmen trent gjennom belønninger.
For eksempel er AI utviklet for å spille med mennesker i et bestemt mobilspill. Hver gang AI mister, blir algoritmen revidert for å maksimere poengsummen. Dermed lærer denne typen teknikk av feilene. Etter mange sykluser har AI utviklet seg og blitt bedre til å slå menneskelige spillere. Forsterkningslæring brukes i ulike banebrytende teknologier som forbedring av robotteknologi, tekstdrift og helsetjenester.
Forskjellen mellom dyp læring og forsterkningslæring
Læringsteknikk
Dyp læring er i stand til å utføre målatferden ved å analysere eksisterende data og bruke det som ble lært på et nytt sett med informasjon. På den annen side er forsterkningslæring i stand til å endre responsen ved å tilpasse kontinuerlig tilbakemelding.
Eksistens av data
Dyp læring fungerer med allerede eksisterende data, da det er viktig å trene algoritmen. Når det gjelder forsterkningslæring, er den utforskende og den kan utvikles uten et nåværende datasett når den lærer gjennom prøving og feiling.
applikasjon
Dyp læring er brukt i bildet og tale gjenkjenning, dyp nettforbehandling og dimensjonsreduserende oppgaver. Til sammenligning brukes forsterkningslæring til å samhandle med eksterne stimuli med optimal kontroll, for eksempel innen robotikk, heisplanlegging, telekommunikasjon, dataspill og AI.
Også kjent som
Dyp læring er også kjent som hierarkisk læring eller dyp strukturert læring mens forsterkningslæring ikke har andre kjente begreper.
Maskinlæring
Dyp læring er en av de mange maskinlæringsmetodene. På den annen side er forsterkningslæring et område med maskinlæring; det er et av de tre grunnleggende paradigmene.
Menneskehjerne
Sammenlignet med dyp læring, er forsterkningslæring nærmere menneskets hjerne, da denne typen intelligens kan forbedres gjennom tilbakemeldinger. Dyp læring er hovedsakelig for anerkjennelse, og det er mindre knyttet til interaksjon.
Historie
Dyp læring ble først introdusert i 1986 av Rina Dechter mens forsterkningslæring ble utviklet på slutten av 1980-tallet basert på begrepene dyreforsøk, optimal kontroll og tidsmessige forskjellsmetoder.
Dyp læring vs forsterkningslæring
Sammendrag
- Dyp- og forsterkningslæring er autonome maskinlæringsfunksjoner som gjør det mulig for datamaskiner å lage sine egne prinsipper for å komme med løsninger.
- Dyp læring bruker aktuell informasjon i undervisningsalgoritmer for å lete etter aktuelle mønstre som er essensielle i prognosedata.
- Forsterkningslæring viser generelt spådommer gjennom prøving og feiling.
- Dyp læring bruker lærte mønstre på et nytt datasett mens forsterkning lærer gevinster fra tilbakemelding.
- Dyp læring krever et allerede eksisterende datasett for å lære mens forsterkningslæring ikke trenger et aktuelt datasett for å lære.
- Anvendelsen av dyp læring er oftere på gjenkjennings- og arealereduksjonsoppgaver mens forsterkningslæring vanligvis er knyttet til miljøinteraksjon med optimal kontroll.
- Dyp læring er også kjent som hierarkisk læring eller dyp strukturert læring mens forsterkningslæring ikke har noe annet begrep.
- Dyp læring er en av de mange maskinlæringsmetodene, mens forsterkningslæring er en av de tre grunnleggende maskinlæringsparadigmene.
- Dyp læring ble introdusert i 1986 mens forsterkningslæring ble utviklet på slutten av 1980-tallet.
