では、機械学習とディープラーニングの違いは何でしょうか?

ディープラーニングは機械学習アルゴリズムのサブクラスであり、より複雑であることが特徴です。したがって、ディープラーニングは機械学習に属しますが、それらは決して相反する概念ではありません。深くない機械学習技術を浅い学習と呼びます。

これらを私たちの世界に配置してみましょう:

​​​

この高度な複雑さは何に基づいているのでしょうか?

実際には、ディープラーニングはニューラル ネットワーク内の複数の隠し層で構成されます。 「ニューロンからネットワークへ」ではニューラル ネットワークの基礎について説明し、次に特殊な種類のスーパー ネットワークとしてディープラーニングを紹介しました。

ネットワークの層数と複雑さが増すことはディープラーニングと呼ばれ、通常のネットワークを強化したものに似ています。

この複雑さがなぜ利点となるのでしょうか?

知識はレイヤー間を流れます。人間の学習と同じように、これは段階的な学習プロセスです。最初の層はより具体的な概念の学習に重点を置き、より深い層では既に学習した情報を使用してより抽象的な概念を吸収します。データの表現を構築するこのプロセスは、特徴抽出と呼ばれます。

複雑なアーキテクチャにより、ディープ ニューラル ネットワークは特徴抽出を自動的に実行できるようになります。対照的に、従来の機械学習や浅い学習では、このタスクはアルゴリズム段階の外で実行されます。生データを分析して価値のある特徴に変換するのは、機械ではなく、人間、つまりデータ サイエンティストのチームの役割です。

​​​

ディープラーニングの基本的な利点は、情報に無制限にアクセスして、これらのアルゴリズムを非構造化データでトレーニングできることです。この強力な条件付けにより、より価値のある学習を得る機会が提供されます。

おそらくあなたは今こう思っているでしょう...

何層からディープラーニングとみなされるのでしょうか? いつ浅い学習が終了し、ディープラーニングが始まるかについての普遍的な定義はありません。しかし、最も一貫したコンセンサスは、複数の隠し層がディープラーニングを意味するというものです。言い換えれば、少なくとも 3 つの非線形変換、つまり 2 つ以上の隠し層 + 1 つの出力層からのディープラーニングを検討します。

ニューラルネットワーク以外にディープラーニングはありますか?

私もこれに完全に同意できません。しかし、ディープラーニングに関するすべてのことは、少なくとも間接的にニューラル ネットワークに関連しているようです。したがって、私はニューラル ネットワークがなければディープラーニングは存在しないと主張する人々に同意します。

ディープラーニングはいつ必要になるのでしょうか?

普遍近似定理 (UAT) は、有限数のニューロンのみを持つ隠れ層が、求められる関数を近似するのに十分であると述べています。これは 2 つの理由から印象的な発言です。一方では、この定理はニューラル ネットワークの強力なパワーを実証しています。しかし、一方で、これはディープラーニングがまったく必要なくなることを意味するのでしょうか? いいえ、深呼吸してください。そうではありません...

UAT では、いくつのニューロンを含める必要があるかは指定されません。特定の関数をモデル化するには単一の隠し層で十分ですが、複数の隠し層を持つネットワークを通じて学習する方が効率的な場合があります。さらに、ネットワークをトレーニングする際には、データ内の関係性を最もよく要約する特徴を探します。単一の隠しネットワークがトレーニング例に最も適合する関数を表現できたとしても、それがトレーニング セット内のデータの動作に適切に一般化できることを意味するわけではありません。

これは、Ia Goodfellow、Yahua Bengio、Aaron Courville 著の著書「Deep Learning」で詳しく説明されています。

要約すると、単一層のフィードフォワード ネットワークは任意の関数を表すのに十分ですが、層が大きすぎて正しく学習および一般化できない可能性があります。多くの場合、より深いモデルを使用すると、関数を表すために必要なユニットの数を減らし、一般化エラーを減らすことができます。

要約する

ディープラーニングは基本的に、複数の隠し層を持つニューラル ネットワークを使用する機械学習のサブクラスです。このタイプのアルゴリズムは複雑であるため、独自に特徴抽出を実行できます。生データを処理できるため、すべての情報にアクセスでき、より良い解決策を見つける可能性があります。