Djup inlärning eller Machine LearningDeep learning vs. machine learning

Den här artikeln hjälper dig att jämföra djup inlärningen jämfört med Machine Learning.This article helps you compare deep learning vs. machine learning. Du lär dig hur de två begreppen jämför och hur de passar in i den bredare kategorin av artificiell intelligens.You'll learn how the two concepts compare and how they fit into the broader category of artificial intelligence. Artikeln beskriver också hur djup inlärning kan tillämpas på verkliga scenarier, till exempel bedrägeri identifiering, röst-och ansikts igenkänning, sentiment analys och tids serie prognoser.The article also describes how deep learning can be applied to real-world scenarios such as fraud detection, voice and facial recognition, sentiment analytics, and time series forecasting.

Djup inlärning, maskin inlärning och AIDeep learning, machine learning, and AI

Relations diagram: AI kontra Machine Learning jämfört med djup inlärning

Överväg följande definitioner för att förstå djup inlärningen jämfört med Machine Learning vs. AI:Consider the following definitions to understand deep learning vs. machine learning vs. AI:

  • Djup inlärning är en del av maskin inlärning som baseras på artificiella neurala nätverk.Deep learning is a subset of machine learning that's based on artificial neural networks. Inlärnings processen är djupgående eftersom strukturen hos artificiellt neurala-nätverk består av flera indata, utdata och dolda lager.The learning process is deep because the structure of artificial neural networks consists of multiple input, output, and hidden layers. Varje lager innehåller enheter som omvandlar indata till information som nästa lager kan använda för en viss förutsägelse aktivitet.Each layer contains units that transform the input data into information that the next layer can use for a certain predictive task. Tack vare den här strukturen kan en dator lära sig genom sin egen data bearbetning.Thanks to this structure, a machine can learn through its own data processing.

  • Machine Learning är en del av artificiell intelligens som använder tekniker (till exempel djup inlärning) som gör att datorer kan förbättra sina uppgifter.Machine learning is a subset of artificial intelligence that uses techniques (such as deep learning) that enable machines to use experience to improve at tasks. Inlärnings processen baseras på följande steg:The learning process is based on the following steps:

    1. Mata in data i en algoritm.Feed data into an algorithm. (I det här steget kan du ange ytterligare information till modellen, till exempel genom att utföra funktions extrahering.)(In this step you can provide additional information to the model, for example, by performing feature extraction.)
    2. Använd dessa data för att träna en modell.Use this data to train a model.
    3. Testa och distribuera modellen.Test and deploy the model.
    4. Använd den distribuerade modellen för att göra en automatiserad förutsägande uppgift.Consume the deployed model to do an automated predictive task. (Du kan med andra ord anropa och använda den distribuerade modellen för att ta emot förutsägelserna som returneras av modellen.)(In other words, call and use the deployed model to receive the predictions returned by the model.)
  • Artificiell intelligens (AI) är en teknik som gör det möjligt för datorer att efterlikna mänsklig intelligens.Artificial intelligence (AI) is a technique that enables computers to mimic human intelligence. Den innehåller Machine Learning.It includes machine learning.

Det är viktigt att förstå förhållandet mellan AI, maskin inlärning och djup inlärning.It's important to understand the relationship among AI, machine learning, and deep learning. Machine Learning är ett sätt att få artificiell intelligens.Machine learning is a way to achieve artificial intelligence. Genom att använda maskin inlärnings-och djup inlärnings tekniker kan du skapa dator system och program som utför uppgifter som ofta är associerade med mänsklig intelligens.By using machine learning and deep learning techniques, you can build computer systems and applications that do tasks that are commonly associated with human intelligence. Dessa uppgifter omfattar bild igenkänning, tal igenkänning och språk översättning.These tasks include image recognition, speech recognition, and language translation.

Tekniker för djup inlärning jämfört med Machine LearningTechniques of deep learning vs. machine learning

Nu när du har en översikt över Machine Learning jämfört med djup inlärning ska vi jämföra de två teknikerna.Now that you have the overview of machine learning vs. deep learning, let's compare the two techniques. I Machine Learning måste algoritmen uppmanas att göra en korrekt förutsägelse genom att använda mer information (till exempel genom att utföra funktions extrahering).In machine learning, the algorithm needs to be told how to make an accurate prediction by consuming more information (for example, by performing feature extraction). I djup inlärning kan algoritmen lära sig att göra en korrekt förutsägelse genom sin egen data bearbetning, tack vare den artificiella neurala nätverks strukturen.In deep learning, the algorithm can learn how to make an accurate prediction through its own data processing, thanks to the artificial neural network structure.

I följande tabell jämförs de två metoderna i detalj:The following table compares the two techniques in more detail:

Alla Machine LearningAll machine learning Endast djup inlärningOnly deep learning
Antal data punkterNumber of data points Kan använda små mängder data för att göra förutsägelser.Can use small amounts of data to make predictions. Behöver använda stora mängder tränings data för att göra förutsägelser.Needs to use large amounts of training data to make predictions.
Maskin varu beroendenHardware dependencies Kan arbeta på datorer med låg slut.Can work on low-end machines. Det behöver inte vara en stor mängd beräknings kraft.It doesn't need a large amount of computational power. Är beroende av avancerade datorer.Depends on high-end machines. Det finns ett stort antal åtgärder för mat ris multiplikation.It inherently does a large number of matrix multiplication operations. En GPU kan effektivt optimera dessa åtgärder.A GPU can efficiently optimize these operations.
Funktionalisering processFeaturization process Kräver att funktioner identifieras korrekt och skapas av användare.Requires features to be accurately identified and created by users. Lär dig mer om hög nivå funktioner från data och skapar nya funktioner själva.Learns high-level features from data and creates new features by itself.
Inlärnings metodLearning approach Delar upp inlärnings processen i mindre steg.Divides the learning process into smaller steps. Den kombinerar sedan resultaten från varje steg till ett resultat.It then combines the results from each step into one output. Går igenom inlärnings processen genom att lösa problemet från slut punkt till slut punkt.Moves through the learning process by resolving the problem on an end-to-end basis.
KörningstidExecution time Tar relativt lite tid att träna, från några sekunder till några timmar.Takes comparatively little time to train, ranging from a few seconds to a few hours. Det tar vanligt vis lång tid att träna eftersom en djup inlärnings algoritm omfattar många lager.Usually takes a long time to train because a deep learning algorithm involves many layers.
ResultatOutput Utdata är vanligt vis ett numeriskt värde, till exempel en poäng eller en klassificering.The output is usually a numerical value, like a score or a classification. Utdata kan ha flera format, t. ex. en text, en poäng eller ett ljud.The output can have multiple formats, like a text, a score or a sound.

Användnings fall för djup inlärningDeep learning use cases

På grund av den artificiella neurala nätverks strukturen, är djup inlärningen perfekt vid identifiering av mönster i ostrukturerade data som bilder, ljud, video och text.Because of the artificial neural network structure, deep learning excels at identifying patterns in unstructured data such as images, sound, video, and text. Av den anledningen kan djup inlärningen snabbt omvandla många branscher, inklusive hälso vård, energi, ekonomi och transport.For this reason, deep learning is rapidly transforming many industries, including healthcare, energy, finance, and transportation. Dessa branscher håller nu på att se till att traditionella affärs processer bevaras.These industries are now rethinking traditional business processes.

Några av de vanligaste programmen för djup inlärning beskrivs i följande stycken.Some of the most common applications for deep learning are described in the following paragraphs.

Identifiering av namngivna enheterNamed-entity recognition

Identifiering av namngivna enheter är en djup inlärnings metod som tar en del av texten som inmatad och omvandlar den till en fördefinierad klass.Named-entity recognition is a deep learning method that takes a piece of text as input and transforms it into a pre-specified class. Den nya informationen kan vara ett post nummer, ett datum, ett produkt-ID.This new information could be a postal code, a date, a product ID. Informationen kan sedan lagras i ett strukturerat schema för att bygga en lista över adresser eller fungera som ett riktmärke för en identitets validerings motor.The information can then be stored in a structured schema to build a list of addresses or serve as a benchmark for an identity validation engine.

ObjektidentifieringObject detection

Djup inlärning har tillämpats i många olika användnings fall för objekt identifiering.Deep learning has been applied in many object detection use cases. Objekt identifiering består av två delar: bild klassificering och avbildnings lokalisering.Object detection comprises two parts: image classification and then image localization. Bild klassificeringen identifierar avbildningens objekt, till exempel bilar eller personer.Image classification identifies the image's objects, such as cars or people. Avbildnings lokalisering tillhandahåller den speciella platsen för dessa objekt.Image localization provides the specific location of these objects.

Objekt identifiering används redan i branscher som spel, detalj handel, turism och självdrivande bilar.Object detection is already used in industries such as gaming, retail, tourism, and self-driving cars.

Generering av bild textImage caption generation

Som bild igenkänning, i bild texter, för en bild måste systemet generera en beskrivning som beskriver innehållet i bilden.Like image recognition, in image captioning, for a given image, the system must generate a caption that describes the contents of the image. När du kan identifiera och märka objekt i fotografier är nästa steg att omvandla dessa etiketter till beskrivande meningar.When you can detect and label objects in photographs, the next step is to turn those labels into descriptive sentences.

Normalt används (convolutional neurala-nätverk för att identifiera objekt i en avbildning och sedan använda ett återkommande neurala-nätverk för att omvandla etiketterna till konsekventa meningar.Usually, image captioning applications use convolutional neural networks to identify objects in an image and then use a recurrent neural network to turn the labels into consistent sentences.

Maskin ÖversättningMachine translation

Maskin översättningen tar ord eller meningar från ett språk och översätter automatiskt dem till ett annat språk.Machine translation takes words or sentences from one language and automatically translates them into another language. Maskin översättning har varit runt under en längre tid, men djup inlärningen uppnår imponerande resultat i två olika områden: automatisk översättning av text (och översättning av tal till text) och automatisk översättning av bilder.Machine translation has been around for a long time, but deep learning achieves impressive results in two specific areas: automatic translation of text (and translation of speech to text) and automatic translation of images.

Med rätt data omvandling kan ett neurala-nätverk förstå text-, ljud-och visuella signaler.With the appropriate data transformation, a neural network can understand text, audio, and visual signals. Maskin översättning kan användas för att identifiera kodfragment av ljud i större ljudfiler och skriva över det talade ordet eller bilden som text.Machine translation can be used to identify snippets of sound in larger audio files and transcribe the spoken word or image as text.

TextanalysText analytics

Text analys som bygger på djup inlärnings metoder innebär analys av stora mängder text data (till exempel medicinska dokument eller utgifts kvitton), igenkänning av mönster och skapande av strukturerad och kortfattad information från IT.Text analytics based on deep learning methods involves analyzing large quantities of text data (for example, medical documents or expenses receipts), recognizing patterns, and creating organized and concise information out of it.

Företag använder djup inlärning för att utföra text analyser för att identifiera insider handel och efterlevnad med myndighets bestämmelser.Companies use deep learning to perform text analysis to detect insider trading and compliance with government regulations. Ett annat vanligt exempel är försäkrings bedrägerier: text analys har ofta använts för att analysera stora mängder dokument för att identifiera sannolikheten för ett försäkrings anspråk som bedrägerier.Another common example is insurance fraud: text analytics has often been used to analyze large amounts of documents to recognize the chances of an insurance claim being fraud.

Artificiell neurala-nätverkArtificial neural networks

Artificiell neurala-nätverk bildas av lager av anslutna noder.Artificial neural networks are formed by layers of connected nodes. I djup inlärnings modeller används neurala-nätverk som har ett stort antal lager.Deep learning models use neural networks that have a large number of layers.

I följande avsnitt lär du de flesta populära artificiell neurala-nätverkstopologier.The following sections explore most popular artificial neural network typologies.

Feedforward neurala-nätverkFeedforward neural network

Feedforward neurala Network är den mest grundläggande typen av artificiellt neurala-nätverk.The feedforward neural network is the most basic type of artificial neural network. I ett feedforward nätverk flyttas informationen endast i en riktning från indatanivå till output-lagret.In a feedforward network, information moves in only one direction from input layer to output layer. Feedforward neurala Networks transformerar inmatningar genom att placera det genom en serie med dolda lager.Feedforward neural networks transform an input by putting it through a series of hidden layers. Varje lager består av en uppsättning neurons och varje lager är fullständigt anslutet till alla neurons i lagret.Every layer is made up of a set of neurons, and each layer is fully connected to all neurons in the layer before. Det senast fullständigt anslutna lagret (utmatnings lagret) representerar de genererade förutsägelserna.The last fully connected layer (the output layer) represents the generated predictions.

Aktuellt neurala-nätverkRecurrent neural network

Befintliga neurala-nätverk är ett mycket vanligt artificiellt neurala nätverk.Recurrent neural networks are a widely used artificial neural network. Dessa nätverk sparar utdata för ett lager och matar tillbaka det till inmatnings lagret för att förutsäga lagrets resultat.These networks save the output of a layer and feed it back to the input layer to help predict the layer's outcome. Befintliga neurala-nätverk har fantastiska inlärnings möjligheter.Recurrent neural networks have great learning abilities. De används ofta för komplexa uppgifter som tids serie prognoser, inlärnings hand skrift och tolknings språk.They're widely used for complex tasks such as time series forecasting, learning handwriting and recognizing language.

(Convolutional neurala-nätverkConvolutional neural networks

Ett (convolutional neurala-nätverk är ett särskilt effektivt artificiellt neurala-nätverk och det presenterar en unik arkitektur.A convolutional neural network is a particularly effective artificial neural network, and it presents a unique architecture. Lager ordnas i tre dimensioner: bredd, höjd och djup.Layers are organized in three dimensions: width, height, and depth. Neurons i ett lager ansluter inte till alla neurons i nästa skikt, men endast till en liten region i lagrets neurons.The neurons in one layer connect not to all the neurons in the next layer, but only to a small region of the layer's neurons. Den slutliga utmatningen reduceras till en enda kombination av sannolikhets poäng, ordnat längs djup dimensionen.The final output is reduced to a single vector of probability scores, organized along the depth dimension.

(Convolutional neurala-nätverk har använts i områden som video igenkänning, bild igenkänning och rekommenderade system.Convolutional neural networks have been used in areas such as video recognition, image recognition and recommender systems.

Nästa stegNext steps

I följande artiklar visas hur du använder djup inlärnings teknik i Azure Machine Learning:The following articles show you how to use deep learning technology in Azure Machine Learning:

Använd också lathund-mallen Machine Learning algorithm för att välja algoritmer för din modell.Also, use the Machine Learning Algorithm Cheat Sheet to choose algorithms for your model.