Différence entre l'apprentissage en profondeur et l'apprentissage automatique par rapport à l'IA

Qu'est-ce que l'IA?

L'IA (intelligence artificielle) est une branche de l'informatique dans laquelle les machines sont programmées et dotées d'une capacité cognitive à penser et à imiter des actions comme les humains et les animaux. La référence de l'IA est l'intelligence humaine concernant le raisonnement, la parole, l'apprentissage, la vision et la résolution de problèmes, ce qui est loin dans le futur.

L'IA a trois niveaux différents:

1. IA étroite : une intelligence artificielle est dite étroite lorsque la machine peut effectuer une tâche spécifique mieux qu'un humain. La recherche actuelle sur l'IA est là maintenant
2. IA générale : une intelligence artificielle atteint l'état général lorsqu'elle peut effectuer n'importe quelle tâche intellectuelle avec le même niveau de précision qu'un humain.
3. IA active : une IA est active lorsqu'elle peut battre des humains dans de nombreuses tâches

Les premiers systèmes d'IA utilisaient la correspondance de modèles et des systèmes experts.

Dans ce didacticiel, vous apprendrez-

• Qu'est-ce que l'IA?
• Qu'est-ce que le ML?
• Qu'est-ce que le Deep Learning?
• Processus d'apprentissage automatique
• Processus d'apprentissage profond
• Automatiser l'extraction des fonctionnalités à l'aide de DL
• Différence entre l'apprentissage automatique et l'apprentissage profond
• Quand utiliser ML ou DL?

Qu'est-ce que le ML?

ML (Machine Learning) est un type d'IA dans lequel un ordinateur est formé pour automatiser des tâches exhaustives ou impossibles pour l'être humain. C'est le meilleur outil pour analyser, comprendre et identifier des modèles dans les données en se basant sur l'étude des algorithmes informatiques. L'apprentissage automatique peut prendre des décisions avec une intervention humaine minimale.

En comparant l'intelligence artificielle à l'apprentissage automatique, l'apprentissage automatique utilise des données pour alimenter un algorithme capable de comprendre la relation entre l'entrée et la sortie. Lorsque la machine a terminé l'apprentissage, elle peut prédire la valeur ou la classe d'un nouveau point de données.

Qu'est-ce que le Deep Learning?

L'apprentissage profond est un logiciel informatique qui imite le réseau de neurones dans un cerveau. Il s'agit d'un sous-ensemble de l'apprentissage automatique et est appelé apprentissage profond car il utilise des réseaux de neurones profonds. La machine utilise différentes couches pour apprendre des données. La profondeur du modèle est représentée par le nombre de couches dans le modèle. Le Deep Learning est le nouvel état de l'art en matière d'IA. En apprentissage profond, la phase d'apprentissage se fait via un réseau neuronal. Un réseau de neurones est une architecture où les couches sont empilées les unes sur les autres

Processus d'apprentissage automatique

Imaginez que vous êtes censé créer un programme qui reconnaît les objets. Pour entraîner le modèle, vous utiliserez un classificateur . Un classificateur utilise les caractéristiques d'un objet pour essayer d'identifier la classe à laquelle il appartient.

Dans l'exemple, le classificateur sera formé pour détecter si l'image est:

• Bicyclette
• Bateau
• Auto
• Avion

Les quatre objets ci-dessus sont la classe que le classificateur doit reconnaître. Pour construire un classificateur, vous devez avoir des données en entrée et lui attribuer une étiquette. L'algorithme prendra ces données, trouvera un modèle et le classera ensuite dans la classe correspondante.

Cette tâche est appelée apprentissage supervisé. Dans l'apprentissage supervisé, les données d'entraînement que vous fournissez à l'algorithme comprennent une étiquette.

La formation d'un algorithme nécessite de suivre quelques étapes standard:

• Collectez les données
• Former le classificateur
• Faire des prédictions

La première étape est nécessaire, le choix des bonnes données fera réussir ou échouer l'algorithme. Les données que vous choisissez pour entraîner le modèle sont appelées une fonction. Dans l'exemple d'objet, les caractéristiques sont les pixels des images.

Chaque image est une ligne dans les données tandis que chaque pixel est une colonne. Si votre image est de taille 28x28, l'ensemble de données contient 784 colonnes (28x28). Dans l'image ci-dessous, chaque image a été transformée en un vecteur de caractéristiques. L'étiquette indique à l'ordinateur quel objet se trouve dans l'image.

L'objectif est d'utiliser ces données d'apprentissage pour classer le type d'objet. La première étape consiste à créer les colonnes de caractéristiques. Ensuite, la deuxième étape consiste à choisir un algorithme pour entraîner le modèle. Une fois l'apprentissage terminé, le modèle prédira quelle image correspond à quel objet.

Après cela, il est facile d'utiliser le modèle pour prédire de nouvelles images. Pour chaque nouvelle image alimentée dans le modèle, la machine prédira la classe à laquelle elle appartient. Par exemple, une image entièrement nouvelle sans étiquette traverse le modèle. Pour un être humain, il est trivial de visualiser l'image comme une voiture. La machine utilise ses connaissances antérieures pour prédire également que l'image est une voiture.

Processus d'apprentissage profond

En apprentissage profond, la phase d'apprentissage se fait via un réseau neuronal. Un réseau de neurones est une architecture où les couches sont empilées les unes sur les autres.

Considérez le même exemple d'image ci-dessus. L'ensemble de formation serait alimenté à un réseau de neurones

Chaque entrée va dans un neurone et est multipliée par un poids. Le résultat de la multiplication passe à la couche suivante et devient l'entrée. Ce processus est répété pour chaque couche du réseau. La couche finale est appelée la couche de sortie; il fournit une valeur réelle pour la tâche de régression et une probabilité de chaque classe pour la tâche de classification. Le réseau de neurones utilise un algorithme mathématique pour mettre à jour les poids de tous les neurones. Le réseau de neurones est entièrement entraîné lorsque la valeur des poids donne une sortie proche de la réalité. Par exemple, un réseau neuronal bien formé peut reconnaître l'objet sur une image avec une précision plus élevée que le réseau neuronal traditionnel.

Automatiser l'extraction des fonctionnalités à l'aide de DL

Un jeu de données peut contenir une douzaine à des centaines d'entités. Le système apprendra de la pertinence de ces fonctionnalités. Cependant, toutes les fonctionnalités ne sont pas significatives pour l'algorithme. Une partie cruciale de l'apprentissage automatique consiste à trouver un ensemble pertinent de fonctionnalités pour que le système apprenne quelque chose.

Une façon d'effectuer cette partie de l'apprentissage automatique consiste à utiliser l'extraction de fonctionnalités. L'extraction d'entités combine des entités existantes pour créer un ensemble d'entités plus pertinent. Cela peut être fait avec PCA, T-SNE ou tout autre algorithme de réduction de dimensionnalité.

Par exemple, lors d'un traitement d'image, le praticien doit extraire manuellement la caractéristique de l'image comme les yeux, le nez, les lèvres, etc. Ces entités extraites alimentent le modèle de classification.

L'apprentissage profond résout ce problème, en particulier pour un réseau neuronal convolutif. La première couche d'un réseau neuronal apprendra de petits détails de l'image; les couches suivantes combineront les connaissances précédentes pour créer des informations plus complexes. Dans le réseau de neurones convolutifs, l'extraction des caractéristiques se fait à l'aide du filtre. Le réseau applique un filtre sur l'image pour voir s'il y a correspondance, c'est-à-dire que la forme de la caractéristique est identique à une partie de l'image. S'il y a une correspondance, le réseau utilisera ce filtre. Le processus d'extraction des caractéristiques se fait donc automatiquement.

Différence entre l'apprentissage automatique et l'apprentissage profond

Vous trouverez ci-dessous une différence clé entre le Deep Learning et le Machine Learning

	Apprentissage automatique	L'apprentissage en profondeur
Dépendances des données	Excellentes performances sur un ensemble de données petit / moyen	Excellentes performances sur un grand ensemble de données
Dépendances matérielles	Travaillez sur une machine bas de gamme.	Nécessite une machine puissante, de préférence avec GPU: DL effectue une quantité importante de multiplication matricielle
Ingénierie des fonctionnalités	Besoin de comprendre les fonctionnalités qui représentent les données	Pas besoin de comprendre la meilleure caractéristique qui représente les données
Temps d'exécution	De quelques minutes à quelques heures	Jusqu'à des semaines. Neural Network a besoin de calculer un nombre important de poids
Interprétabilité	Certains algorithmes sont faciles à interpréter (logistique, arbre de décision), certains sont presque impossibles (SVM, XGBoost)	Difficile à impossible

Quand utiliser ML ou DL?

Dans le tableau ci-dessous, nous résumons la différence entre l'apprentissage automatique et l'apprentissage profond à l'aide d'exemples.

	Apprentissage automatique	L'apprentissage en profondeur
Ensemble de données de formation	Petit	Grande
Choisissez les fonctionnalités	Oui	Non
Nombre d'algorithmes	De nombreux	Quelque
Temps de formation	Court	Longue

Avec l'apprentissage automatique, vous avez besoin de moins de données pour entraîner l'algorithme que l'apprentissage en profondeur. L'apprentissage en profondeur nécessite un ensemble étendu et diversifié de données pour identifier la structure sous-jacente. En outre, l'apprentissage automatique fournit un modèle entraîné plus rapidement. L'architecture d'apprentissage en profondeur la plus avancée peut prendre des jours à une semaine pour s'entraîner. L'avantage de l'apprentissage en profondeur par rapport à l'apprentissage automatique est qu'il est très précis. Vous n'avez pas besoin de comprendre quelles fonctionnalités sont la meilleure représentation des données; le réseau neuronal a appris à sélectionner des fonctionnalités critiques. Dans l'apprentissage automatique, vous devez choisir vous-même les fonctionnalités à inclure dans le modèle.

Résumé

L'intelligence artificielle confère une capacité cognitive à une machine. En comparant l'IA à l'apprentissage automatique, les premiers systèmes d'IA utilisaient la correspondance de modèles et des systèmes experts.

L'idée derrière l'apprentissage automatique est que la machine peut apprendre sans intervention humaine. La machine doit trouver un moyen d'apprendre à résoudre une tâche compte tenu des données.

L'apprentissage profond est la percée dans le domaine de l'intelligence artificielle. Lorsqu'il y a suffisamment de données pour s'entraîner, l'apprentissage en profondeur obtient des résultats impressionnants, en particulier pour la reconnaissance d'images et la traduction de texte. La raison principale est que l'extraction des caractéristiques se fait automatiquement dans les différentes couches du réseau.