Atšķirība starp padziļinātu mācīšanos un pastiprināšanu

Gan mākslīgā intelekta, gan pastiprinošā apmācība ir cieši saistīta ar mākslīgā intelekta (AI) skaitļošanas jaudu. Tās ir autonomas mašīnmācīšanās funkcijas, kas paver ceļu datoriem radīt savus principus, izstrādājot risinājumus. Šie divi mācību veidi var pastāvēt arī līdzās vairākās programmās. Parasti dziļajās mācībās tiek izmantoti pašreizējie dati, savukārt pastiprināšanas mācībās prognozēšanas aprēķinā tiek izmantota izmēģinājumu un kļūdu metode. Turpmākajās diskusijās sīkāk aplūkotas šādas atšķirības.

Kas ir dziļā mācīšanās?

Dziļo mācīšanos sauc arī par dziļi strukturētu mācīšanos vai hierarhisku mācīšanos. Pirmoreiz to ieviesa 1986. gadā datorzinātņu profesore Rina Dehtere. Tas izmanto pašreizējo informāciju mācību algoritmos, lai meklētu atbilstošus modeļus, kas ir svarīgi datu prognozēšanai. Šādā sistēmā tiek izmantoti dažādi mākslīgo neironu tīklu līmeņi, līdzīgi kā cilvēka smadzeņu neironu aplauzums. Ar sarežģītu saišu palīdzību algoritms var spēt apstrādāt miljoniem informācijas un zonēt konkrētākā prognozēšanā..

Šāda veida mācīšanos var izmantot gadījumos, kad izstrādātāji vēlas, lai programmatūra pamanītu violeto krāsu uz dažādiem attēliem. Pēc tam programma tiks barota ar vairākiem attēliem (tātad “dziļu” mācīšanos) ar violetām krāsām un bez tām. Izmantojot klasterizēšanu, programma varēs identificēt modeļus un uzzināt, kad atzīmēt krāsu kā violetu. Dziļo mācīšanos izmanto dažādās atpazīšanas programmās, piemēram, attēlu analīzē un prognozēšanas uzdevumos, piemēram, laika rindu prognozēšanā.

Kas ir pastiprināšanas mācīšanās?

Pastiprināšanas mācīšanās parasti izdomā prognozes, izmantojot izmēģinājumus un kļūdas. Attiecībā uz tās vēsturi no AI perspektīvas, tā tika izstrādāta 80. gadu beigās; tā balstījās uz eksperimentu ar dzīvniekiem rezultātiem, optimālas kontroles koncepcijām un laika atšķirību metodēm. Līdztekus uzraudzītām un nepārraudzītām mācībām, pastiprināšana ir viena no mašīnmācības pamat paradigmām. Kā norāda nosaukums, algoritms tiek apmācīts, izmantojot atlīdzību.

Piemēram, AI ir izstrādāts, lai spēlētu ar cilvēkiem noteiktā mobilajā spēlē. Katru reizi, kad AI zaudē, algoritms tiek pārskatīts, lai palielinātu tā punktu skaitu. Tādējādi šāda veida tehnika mācās no savām kļūdām. Pēc daudziem cikliem AI ir attīstījusies un kļuvusi labāka cilvēku spēlētāju piekaušanā. Pastiprināšanas mācīšanās tiek izmantota dažādās progresīvās tehnoloģijās, piemēram, uzlabojot robotiku, tekstu ieguvi un veselības aprūpi.

Atšķirība starp padziļinātu mācīšanos un pastiprināšanu

Mācīšanās tehnika

Dziļā mācīšanās spēj izpildīt mērķa uzvedību, analizējot esošos datus un pielietojot iemācīto jauno informācijas kopu. No otras puses, pastiprināšanas mācīšanās spēj mainīt savu reakciju, pielāgojot nepārtrauktu atgriezenisko saiti.

Datu esamība

Dziļās mācības darbojas ar jau esošiem datiem, jo ​​tas ir obligāti jāapmāca algoritmam. Runājot par pastiprināšanas mācībām, tai ir izpētes raksturs, un to var attīstīt bez pašreizējās datu kopas, jo tā mācās, izmantojot izmēģinājumu un kļūdu..

Pieteikums

Dziļās mācības tiek izmantotas attēlu un runas atpazīšanā, dziļā tīkla apmācībā un dimensiju samazināšanas uzdevumos. Salīdzinājumam, pastiprināšanas mācīšanās tiek izmantota mijiedarbībā ar ārējiem stimuliem ar optimālu vadību, piemēram, robotikā, liftu plānošanā, telekomunikācijās, datorspēlēs un veselības aprūpes AI.

Zināms arī kā

Dziļo mācīšanos sauc arī par hierarhisku mācīšanos vai dziļi strukturētu mācīšanos, savukārt pastiprināšanas mācībām nav citu plaši zināmu terminu.

Mašīnmācība

Dziļā mācīšanās ir viena no daudzajām mašīnmācīšanās metodēm. No otras puses, pastiprināšanas mācīšanās ir mašīnmācības joma; tā ir viena no trim pamata paradigmām.

Cilvēka smadzenes

Salīdzinot ar dziļo mācīšanos, pastiprināšanas mācīšanās ir tuvāk cilvēka smadzeņu iespējām, jo ​​šāda veida inteliģenci var uzlabot, izmantojot atgriezenisko saiti. Dziļās mācības galvenokārt ir paredzētas atpazīšanai, un tā ir mazāk saistīta ar mijiedarbību.

Vēsture

Dziļo mācīšanos pirmo reizi ieviesa Rina Dehtere 1986. gadā, savukārt pastiprināšanas mācība tika izstrādāta 80. gadu beigās, balstoties uz eksperimentiem ar dzīvniekiem, optimālu kontroli un laika atšķirību metodēm..

Dziļās mācības pret pastiprināšanas mācībām

Kopsavilkums

• Dziļās un pastiprinošās mācības ir autonomas mašīnmācīšanās funkcijas, kas ļauj datoriem izveidot savus principus, piedāvājot risinājumus.
• Dziļās mācībās tiek izmantota pašreizējā informācija mācību algoritmos, lai meklētu atbilstošus modeļus, kas ir svarīgi datu prognozēšanai.
• Pastiprināšanas mācīšanās parasti izdomā prognozes, izmantojot izmēģinājumus un kļūdas.
• Dziļā mācīšanās iemācītos modeļus piemēro jaunam datu kopumam, bet mācīšanās pastiprināšana iegūst no atgriezeniskās saites.
• Dziļai mācībai ir nepieciešama jau esoša datu kopa, lai mācītos, savukārt mācīšanās pastiprināšanai nav nepieciešama pašreizējā datu kopa, lai mācītos.
• Dziļās mācības biežāk tiek izmantotas atpazīšanas un apgabala samazināšanas uzdevumos, savukārt mācīšanās pastiprināšana parasti ir saistīta ar vides mijiedarbību ar optimālu kontroli.
• Dziļo mācīšanos sauc arī par hierarhisku mācīšanos vai dziļi strukturētu mācīšanos, savukārt pastiprināšanas mācībām nav citu terminu.
• Dziļās mācības ir viena no daudzajām mašīnmācīšanās metodēm, savukārt pastiprināšanas mācīšanās ir viena no trim mašīnmācīšanās pamata paradigmām.
• Dziļās mācības tika ieviestas 1986. gadā, savukārt pastiprinošās mācības tika izstrādātas 80. gadu beigās.