Unterschied zwischen neuronalem Netzwerk und tiefem Lernen

Der Schlüsselunterschied Zwischen neuronalem Netzwerk und tiefem Lernen ist das Neuronales Netzwerk arbeitet ähnlich wie Neuronen im menschlichen Gehirn, um verschiedene Berechnungsaufgaben schneller auszuführen, während Deep Learning eine spezielle Art von maschinellem Lernen ist, das den Lernansatz imitiert, den Menschen verwenden, um Wissen zu erlangen.

Neurales Netzwerk hilft beim Aufbau von Vorhersagemodellen zur Lösung komplexer Probleme. Auf der anderen Seite ist Deep Learning ein Teil des maschinellen Lernens. Es hilft, Spracherkennung, Bilderkennung, Verarbeitung natürlicher Sprache, Empfehlungssysteme, Bioinformatik und vieles mehr zu entwickeln. Neurales Netzwerk ist eine Methode zur Implementierung von Deep Learning.

INHALT

1. Überblick und wichtiger Unterschied
2. Was ist neuronales Netzwerk
3. Was ist tiefes Lernen
4. Nebenseitiger Vergleich - Neurales Netzwerk im Vergleich zu tiefem Lernen in tabellarischer Form
5. Zusammenfassung

Was ist neuronales Netzwerk?

Biologische Neuronen sind die Inspiration für neuronale Netze. Es gibt Millionen von Neuronen im menschlichen Gehirn und Informationsprozess von einem Neuron zum anderen. Neuronale Netze verwenden dieses Szenario. Sie erstellen ein Computermodell, das einem Gehirn ähnelt. Es kann rechnerische komplexe Aufgaben schneller ausführen als ein übliches System.

Abbildung 01: Blockdiagramm neuronales Netzwerk

In einem neuronalen Netzwerk verbinden sich die Knoten miteinander. Jede Verbindung hat ein Gewicht. Wenn die Eingänge zu den Knoten x1, x2, x3,… und die entsprechenden Gewichte W1, W2, W3,… dann der Nettoeingang (y) sind, ist die entsprechende Gewichte,

 y = x1W1 + x2W2 + x3W3 +… .

Nachdem Sie den Nettoeingang auf die Aktivierungsfunktion angewendet haben, gibt es den Ausgang an. Die Aktivierungsfunktion kann eine lineare oder Sigmoidfunktion sein.

Y = f (y)

Wenn sich dieser Ausgang von der gewünschten Ausgabe unterscheid. Dieses Aktualisierungsgewicht erfolgt gemäß dem Backpropagation -Algorithmus.

Es gibt zwei Topologien für neuronale Netzwerke, die als Feedforward und Feedback bezeichnet werden. Die Feedforward -Netzwerke haben keine Rückkopplungsschleife. Mit anderen Worten, die Signale fließen nur vom Eingang zum Ausgang. Feedforward-Netzwerke teilen sich weiter in eine einzelne und mehrschichtige neuronale Netze.

Netzwerkarten

In Einzelschichtnetzwerken wird die Eingangsschicht mit der Ausgangsschicht verbunden. Mehrschichtiger neuronales Netzwerk hat mehr Schichten zwischen der Eingangsschicht und der Ausgangsschicht. Diese Schichten werden als versteckte Schichten bezeichnet. Der andere Netzwerktyp, bei dem es sich um Feedback -Netzwerke handelt. Darüber hinaus besteht die Möglichkeit, Informationen an beide Seiten weiterzugeben.

Abbildung 02: Mehrschichtiges neuronales Netzwerk

Ein neuronales Netzwerk lernt, indem er die Gewichte der Verbindung zwischen den Knoten modifiziert. Es gibt drei Lerntypen, wie beaufsichtigtes Lernen, unbeaufsichtigtes Lernen und Verstärkungslernen. Im überwachten Lernen wird das Netzwerk einen Ausgangsvektor gemäß dem Eingabebereich bereitstellen. Dieser Ausgangsvektor wird mit dem gewünschten Ausgangsvektor verglichen. Wenn es einen Unterschied gibt, ändern die Gewichte. Diese Prozesse werden fortgesetzt, bis die tatsächliche Ausgabe mit der gewünschten Ausgabe übereinstimmt.

Im unbeaufsichtigten Lernen identifiziert das Netzwerk die Muster und Merkmale aus Eingabedaten und Beziehung für Eingabedaten für sich selbst. In diesem Lernen verbinden Input -Vektoren ähnlicher Typen, um Cluster zu erstellen. Wenn das Netzwerk ein neues Eingabemuster erhält, gibt es die Ausgabe, die die Klasse angibt, zu der dieses Eingabemuster gehört. Das Verstärkungslernen akzeptiert einige Rückmeldungen aus der Umwelt. Dann verändert das Netzwerk die Gewichte.  Das sind die Methoden, um ein neuronales Netzwerk auszubilden. Insgesamt tragen neuronale Netze bei der Lösung verschiedener Mustererkennungsprobleme bei.

Was ist tiefes Lernen?

Vor Deep Learning ist es wichtig, maschinelles Lernen zu diskutieren. Es gibt die Fähigkeit, dass ein Computer ohne explizit programmiertes Computer lernen kann. Mit anderen Worten, es hilft, selbstlernende Algorithmen zu erstellen, um Daten zu analysieren und Muster zu erkennen, um Entscheidungen zu treffen. Es gibt jedoch einige Einschränkungen, das allgemeines maschinelles Lernen ist. Erstens ist es schwierig, mit hohen dimensionalen Daten oder extrem großen Satz von Eingängen und Ausgängen zu arbeiten. Es kann auch schwierig sein, die Extraktion der Funktionen zu erstellen.

Deep Learning löst diese Probleme. Es ist eine besondere Art von maschinellem Lernen. Es hilft, Lernalgorithmen aufzubauen, die ähnlich wie das menschliche Gehirn funktionieren können. Tiefe neuronale Netzwerke und wiederkehrende neuronale Netze sind einige Architekturen für tiefe Lernen. Ein tiefes neuronales Netzwerk ist ein neuronales Netzwerk mit mehreren versteckten Schichten. Wiederkehrende neuronale Netze verwenden Speicher, um Sequenzen von Eingängen zu verarbeiten.

Was ist der Unterschied zwischen neuronalem Netzwerk und tiefem Lernen?

Ein neuronales Netzwerk ist ein System, das den Neuronen im menschlichen Gehirn ähnelt, um verschiedene Berechnungsaufgaben schneller auszuführen. Deep Learning ist eine besondere Art von maschinellem Lernen, die den Lernansatz imitiert, der Menschen nutzen, um Wissen zu erlangen. Neurales Netzwerk ist eine Methode, um tiefes Lernen zu erreichen. Auf der anderen Seite ist Deep Leaning eine spezielle Form der Maschine Leaning. Dies ist der Hauptunterschied zwischen neuronalem Netzwerk und tiefem Lernen

Zusammenfassung -Neurales Netzwerk im Vergleich zu Deep Learning

Der Unterschied zwischen neuronalem Netzwerk und tiefem Lernen besteht darin, dass neuronales Netzwerk den Neuronen im menschlichen Gehirn ähnlich funktioniert, um verschiedene Berechnungsaufgaben schneller auszuführen, während Deep Learning eine spezielle Art von maschinellem Lernen ist, das den Lernansatz imitiert, der Menschen nutzen, um Wissen zu erlangen.

Referenz:

1.„Was ist Deep Learning (Tiefes neuronales Netzwerk)? - Definition von Whatis.com.”SearchenterPriseai. Hier verfügbar 
2."Tiefes Lernen.”Wikipedia, Wikimedia Foundation, 30. Mai 2018. Hier verfügbar  
3.EDUREKAIN. Was ist Deep Learning | Tiefes Lernen vereinfacht | Deep Learning Tutorial | EDUREKA, EDUREKA!, 10. Mai 2017. Hier verfügbar   
4.Tutorials Punkt. „Bausteine ​​für künstliche neuronale Netzwerke.Tutorials Punkt, 8. Januar. 2018. Hier verfügbar  

Bild mit freundlicher Genehmigung:

1.'Künstliches neuronales Netzwerk'by Geetika Saini - eigene Arbeit, (CC BY -SA 4.0) über Commons Wikimedia  
2.'MultilayerneuralNeuralNeworkbigger English'by MultilayerneuralNEuralNEryWork_english.PNG: ChrisBderivative Arbeit: - Hell Knowz ▎Talk ▎Enwp Talk (CC BY -SA 3.0) über Commons Wikimedia