Differenza tra apprendimento automatico e reti neurali
Share
La principale differenza tra apprendimento automatico e reti neurali è che il l'apprendimento automatico si riferisce allo sviluppo di algoritmi in grado di analizzare e imparare dai dati per prendere decisioni mentre le reti neurali sono un gruppo di algoritmi nell'apprendimento automatico che eseguono calcoli simili ai neuroni nel cervello umano.
L'apprendimento automatico è la tecnica per sviluppare algoritmi di autoapprendimento in grado di analizzare i dati, imparare da essi, riconoscere i modelli e prendere decisioni di conseguenza. È una sottocategoria di Intelligenza Artificiale. L'apprendimento automatico utilizza vari algoritmi. La rete neurale è una di queste. Questi concetti sono ampiamente utilizzati in vari campi come la medicina, la robotica, la produzione e l'agricoltura.
Aree chiave coperte
1. Cos'è l'apprendimento automatico
- Definizione, tipi, funzionalità
2. Cosa sono le reti neurali
- Definizione, tipi, funzionalità
3. Differenza tra apprendimento automatico e reti neurali
- Confronto tra le principali differenze
Parole chiave
Intelligenza artificiale, rete di feedback, rete feedforward, apprendimento automatico, reti neurali, apprendimento supervisionato, apprendimento senza supervisione
Cos'è l'apprendimento automatico
L'apprendimento automatico è un sottoinsieme dell'intelligenza artificiale. Gli algoritmi di apprendimento automatico analizzano i dati, imparano da loro e prendono decisioni. Usa metodi statistici e consente alla macchina di migliorare con l'esperienza.
Figura 1: Machine Learning
Esistono due tipi principali di apprendimento automatico: apprendimento supervisionato e apprendimento non supervisionato. Nel apprendimento supervisionato, ci sono variabili di input (x) e variabili di output (y). L'algoritmo viene addestrato mappando gli input alle uscite (y = f (x)). Quando si fornisce un nuovo input, l'algoritmo dovrebbe prevedere l'output. Regressione lineare, macchina vettoriale di supporto e foreste casuali sono alcuni esempi di apprendimento supervisionato.
Nel apprendimento senza supervisione, c'è solo dati di input (x). Non ci sono dati di output. In questo tipo, non è necessario addestrare l'algoritmo. Invece, scopre i pattern nei dati di input da solo. Un algoritmo di apprendimento principale non sorvegliato è il clustering. Identifica le istanze simili e le raggruppa per creare cluster. Di solito, l'apprendimento senza supervisione è difficile rispetto all'apprendimento supervisionato. In breve, l'apprendimento automatico aiuta a sviluppare sistemi in grado di apprendere ed eseguire previsioni utilizzando i dati.
Cosa sono le reti neurali
Le reti neurali sono ispirate ai neuroni biologici. Nel cervello umano ci sono milioni di neuroni e l'informazione passa da un neurone all'altro. Le reti neurali utilizzano questo concetto per eseguire le attività di calcolo più velocemente.
Figura 2: rete neurale
Esistono due tipi di reti neurali chiamate feedforward e feedback. Nel reti feedforward, l'informazione passa solo dall'input all'output e non contiene un loop di feedback. Nel reti di feedback, l'informazione può passare ad entrambe le direzioni e contiene un percorso di feedback.
Le reti feedforward sono inoltre suddivise in rete a livello singolo e rete multistrato. Nella rete a livello singolo, il livello di input si collega al livello di output. D'altra parte, la rete multistrato ha più livelli chiamati livelli nascosti tra il livello di input e il livello di output.
Una rete neurale contiene nodi. Questi nodi sono simili ai neuroni nel cervello. Inoltre, le connessioni nella rete hanno pesi specifici. Quando gli ingressi ai nodi sono x1, x2, x3 ... e i pesi corrispondenti sono w1, w2, w3, ... l'input netto (y) è simile al seguente.
y = x1. w1 + x2. w2 + x3.w3 + ... .
Dopo aver applicato la funzione di attivazione come lineare o un sigmoide all'input netto, fornisce l'output come di seguito.
Y = F (y)
Quindi, l'output viene valutato. I pesi si regolano se l'uscita valutata è diversa dall'output desiderato. Questo processo viene ripetuto finché non si ottengono le uscite desiderate. Questa è la funzionalità di base di una rete neurale.
Differenza tra apprendimento automatico e reti neurali
Definizione
L'apprendimento di lavorazione si riferisce ad algoritmi che utilizzano tecniche statistiche che consentono ai computer di apprendere dai dati e migliorare progressivamente le prestazioni su un'attività specifica. Una rete neurale è un sistema che si ispira ai neuroni biologici nel cervello umano che possono eseguire le attività di calcolo più velocemente.
algoritmi
Regressione, classificazione, clustering, macchina di supporto vettoriale, foreste casuali sono pochi algoritmi nell'apprendimento automatico. Le reti neurali sono anche un algoritmo che rientra nell'apprendimento automatico.
Conclusione
La differenza tra l'apprendimento automatico e le reti neurali è che l'apprendimento automatico si riferisce allo sviluppo di algoritmi in grado di analizzare e imparare dai dati per prendere decisioni mentre le reti neurali sono un gruppo di algoritmi nell'apprendimento automatico che eseguono calcoli simili ai neutroni nel cervello umano.
Riferimento:
1. Che cos'è l'apprendimento automatico? | Nozioni di base sull'apprendimento automatico Tutorial di Machine Learning | Edureka !, 16 marzo 2018, disponibile qui.
Cortesia dell'immagine:
1. "3161590" (CC0) tramite Pixabay
2. "Rete neurale artificiale" Di: en: Utente: Cburnett - Opera propriaQuesta immagine vettore è stata creata con Inkscape (CC BY-SA 3.0) via Commons Wikimedia
