Разница между нейронной сетью и глубоким обучением

ключевое отличие между нейронной сетью и глубоким обучением является то, что нейронная сеть работает подобно нейронам в мозге человека, чтобы быстрее выполнять различные вычислительные задачи, в то время как глубокое обучение - это особый тип машинного обучения, который имитирует подход к обучению, который люди используют для получения знаний..

Нейронная сеть помогает строить прогностические модели для решения сложных задач. С другой стороны, глубокое обучение является частью машинного обучения. Это помогает развивать распознавание речи, распознавание изображений, обработку естественного языка, системы рекомендаций, биоинформатику и многое другое. Нейронная сеть - это метод реализации глубокого обучения.

СОДЕРЖАНИЕ

1. Обзор и основные отличия
2. Что такое нейронная сеть
3. Что такое глубокое обучение
4. Сравнение бок о бок - нейронная сеть и глубокое обучение в табличной форме
5. Резюме

Что такое нейронная сеть?

Биологические нейроны являются источником вдохновения для нейронных сетей. В человеческом мозге миллионы нейронов и происходит процесс передачи информации от одного нейрона к другому. Нейронные сети используют этот сценарий. Они создают компьютерную модель, похожую на мозг. Он может выполнять сложные вычислительные задачи быстрее, чем обычная система.

Рисунок 01: Блок-схема нейронной сети

В нейронной сети узлы соединяются друг с другом. Каждое соединение имеет вес. Когда входы в узлы x1, x2, x3, ... и соответствующие веса w1, w2, w3, ... тогда чистый вход (y),

 y = x1w1 + x2w2 + x3w3 +… .

После применения сетевого ввода к функции активации он выдает результат. Функция активации может быть линейной или сигмовидной.

Y = F (у)

Если этот выходной сигнал отличается от желаемого выходного значения, вес корректируется снова, и этот процесс продолжается до получения желаемого выходного значения. Этот вес обновления происходит в соответствии с алгоритмом обратного распространения.

Существует две топологии нейронной сети, называемые прямой связью и обратной связью. Сети обратной связи не имеют обратной связи. Другими словами, сигналы поступают только от входа к выходу. Сети прямой связи далее делятся на однослойные и многослойные нейронные сети.

Типы сетей

В однослойных сетях входной слой подключается к выходному слою. Многослойная нейронная сеть имеет больше слоев между входным слоем и выходным слоем. Эти слои называются скрытыми слоями. Другой тип сети, который является сетью обратной связи, имеет пути обратной связи. Более того, есть возможность передавать информацию обеим сторонам..

Рисунок 02: Многослойная нейронная сеть

Нейронная сеть учится, изменяя веса соединения между узлами. Существует три типа обучения, такие как контролируемое обучение, неконтролируемое обучение и обучение с подкреплением. При контролируемом обучении сеть будет предоставлять выходной вектор в соответствии с входным вектором. Этот выходной вектор сравнивается с желаемым выходным вектором. Если есть разница, веса будут изменены. Эти процессы продолжаются до тех пор, пока фактический результат не будет соответствовать желаемому результату.

При неконтролируемом обучении сеть самостоятельно определяет шаблоны и особенности из входных данных и отношения для входных данных. В этом обучении входные векторы сходных типов объединяются для создания кластеров. Когда сеть получает новый шаблон ввода, она выдаст выходные данные, определяющие класс, к которому принадлежит этот шаблон ввода. Обучение подкреплению принимает некоторую обратную связь от окружающей среды. Затем сеть меняет вес. Это методы обучения нейронной сети. В целом, нейронные сети помогают решать различные проблемы распознавания образов..

Что такое глубокое обучение?

Перед глубоким обучением важно обсудить машинное обучение. Это дает возможность компьютеру учиться без явно запрограммированного. Другими словами, это помогает создавать самообучающиеся алгоритмы для анализа данных и распознавания шаблонов для принятия решений. Но есть некоторые ограничения общего машинного обучения. Во-первых, трудно работать с данными больших размеров или с чрезвычайно большим набором входов и выходов. Это может быть также трудно сделать функцию извлечения.

Глубокое обучение решает эти проблемы. Это особый тип машинного обучения. Это помогает создавать алгоритмы обучения, которые могут функционировать подобно человеческому мозгу. Глубокие нейронные сети и рекуррентные нейронные сети - это несколько архитектур глубокого обучения. Глубокая нейронная сеть - это нейронная сеть с несколькими скрытыми слоями. Рекуррентные нейронные сети используют память для обработки последовательностей входов.

В чем разница между нейронной сетью и глубоким обучением?

Нейронная сеть - это система, которая работает подобно нейронам человеческого мозга, чтобы быстрее выполнять различные вычислительные задачи. Глубокое обучение - это особый тип машинного обучения, который имитирует подход к обучению, который люди используют для получения знаний. Нейронная сеть - это метод достижения глубокого обучения. С другой стороны, Глубокая склонность - это особая форма машинной склонности. В этом главное отличие нейронной сети от глубокого обучения.

Резюме - нейронная сеть против глубокого обучения

Разница между нейронной сетью и глубоким обучением заключается в том, что нейронная сеть работает подобно нейронам в мозге человека, чтобы быстрее выполнять различные вычислительные задачи, в то время как глубокое обучение - это особый тип машинного обучения, который имитирует подход к обучению, который люди используют для получения знаний..

Ссылка:

1. «Что такое глубокое обучение (глубокая нейронная сеть)? - Определение от WhatIs.com. ” SearchEnterpriseAI. Доступна здесь 
2. «Глубокое обучение». Википедия, Фонд Викимедиа, 30 мая 2018 г. Доступно здесь  
3.edurekaIN. Что такое глубокое обучение? Упрощенное глубокое обучение | Глубокое обучение Учебник | Edureka, Edureka !, 10 мая 2017 года. Доступно здесь   
4. Учебное пособие. «Искусственные нейронные сети». Учебное пособие, 8 января 2018. Доступно здесь  

Изображение предоставлено:

1. «Искусственная нейронная сеть» от Geetika saini - собственная работа, (CC BY-SA 4.0) через Commons Wikimedia  
2. 'MultiLayerNeuralNetworkBigger english'By MultiLayerNeuralNetwork_english.png: Chrislbпроизводительные работы: - HELLKNOWZ ▎TALK ▎enWP TALK (CC BY-SA 3.0) через Commons Wikimedia