PyTorch - Aprendizado de Máquina vs. Aprendizado Profundo

Neste capítulo, discutiremos a principal diferença entre os conceitos de aprendizado profundo e máquina.

Quantidade de dados

O aprendizado de máquina funciona com diferentes quantidades de dados e é usado principalmente para pequenas quantidades de dados. O aprendizado profundo, por outro lado, funciona de maneira eficiente se a quantidade de dados aumentar rapidamente. O diagrama a seguir descreve o funcionamento do aprendizado de máquina e do aprendizado profundo em relação à quantidade de dados -

Dependências de Hardware

Os algoritmos de aprendizado profundo são projetados para depender fortemente de máquinas de ponta, ao contrário dos algoritmos de aprendizado de máquina tradicionais. Algoritmos de aprendizado profundo executam uma grande quantidade de operações de multiplicação de matrizes que requerem um grande suporte de hardware.

Engenharia de Recursos

A engenharia de recursos é o processo de colocar conhecimento de domínio em recursos especificados para reduzir a complexidade dos dados e criar padrões que sejam visíveis aos algoritmos de aprendizagem.

Por exemplo, os padrões de aprendizado de máquina tradicionais se concentram em pixels e outros atributos necessários para o processo de engenharia de recursos. Algoritmos de aprendizado profundo se concentram em recursos de alto nível de dados. Ele reduz a tarefa de desenvolver um novo extrator de recursos para cada novo problema.