PyTorch - Maschinelles Lernen vs. Deep Learning

In diesem Kapitel werden wir den Hauptunterschied zwischen maschinellen und Deep-Learning-Konzepten diskutieren.

Datenmenge

Maschinelles Lernen arbeitet mit unterschiedlichen Datenmengen und wird hauptsächlich für kleine Datenmengen verwendet. Deep Learning hingegen funktioniert effizient, wenn die Datenmenge schnell zunimmt. Das folgende Diagramm zeigt die Funktionsweise von maschinellem Lernen und Tiefenlernen in Bezug auf die Datenmenge -

Hardware-Abhängigkeiten

Deep-Learning-Algorithmen sind so konzipiert, dass sie im Gegensatz zu herkömmlichen Algorithmen für maschinelles Lernen stark von High-End-Maschinen abhängen. Deep-Learning-Algorithmen führen eine große Anzahl von Matrixmultiplikationsoperationen aus, die eine enorme Hardwareunterstützung erfordern.

Feature Engineering

Feature Engineering ist der Prozess, bei dem Domänenwissen in bestimmte Features integriert wird, um die Komplexität von Daten zu verringern und Muster zu erstellen, die für Lernalgorithmen sichtbar sind.

Beispielsweise konzentrieren sich traditionelle maschinelle Lernmuster auf Pixel und andere Attribute, die für den Feature-Engineering-Prozess benötigt werden. Deep-Learning-Algorithmen konzentrieren sich auf Funktionen auf hoher Ebene aus Daten. Es reduziert die Aufgabe, für jedes neue Problem einen neuen Feature-Extraktor zu entwickeln.