PyTorch - Pembelajaran Mesin vs. Pembelajaran Mendalam

Pada bab ini, kita akan membahas perbedaan utama antara konsep Machine dan Deep learning.

Jumlah Data

Pembelajaran mesin bekerja dengan jumlah data yang berbeda dan terutama digunakan untuk sejumlah kecil data. Pembelajaran mendalam di sisi lain bekerja secara efisien jika jumlah data meningkat dengan cepat. Diagram berikut menggambarkan cara kerja machine learning dan deep learning sehubungan dengan jumlah data -

Ketergantungan Hardware

Algoritme pembelajaran mendalam dirancang untuk sangat bergantung pada mesin kelas atas yang bertentangan dengan algoritme pembelajaran mesin tradisional. Algoritme pembelajaran mendalam melakukan operasi perkalian matriks dalam jumlah besar yang membutuhkan dukungan perangkat keras yang sangat besar.

Rekayasa Fitur

Rekayasa fitur adalah proses menempatkan pengetahuan domain ke dalam fitur tertentu untuk mengurangi kompleksitas data dan membuat pola yang terlihat oleh algoritme pembelajaran.

Misalnya, pola pembelajaran mesin tradisional berfokus pada piksel dan atribut lain yang diperlukan untuk proses rekayasa fitur. Algoritme pembelajaran mendalam berfokus pada fitur tingkat tinggi dari data. Ini mengurangi tugas mengembangkan ekstraktor fitur baru untuk setiap masalah baru.