XNUMXつの異なる概念が大きく絡み合っている場合、それらを別個の学術トピックとして分離することは困難な場合があります。 それはなぜ分離するのがとても難しいのかを説明するかもしれません 深い学習 から 機械学習 全体として。 自動化と即時の満足の両方に対する現在の推進力を考慮すると、このトピックに新たな焦点が山積みされています。

自動化された製造業のワーフクローから パーソナライズされたデジタル医療 依存するように成長する可能性があります 深い学習 技術。 しかし、これらの業界に革命をもたらすこの技術分野の正確な側面を定義することは、確かにはるかに困難です。 おそらく、コンピュータサイエンスのより大きな動きの文脈で、ディープラーニングを検討するのが最善でしょう。

深層学習を機械学習のサブセットとして定義する

機械学習 ディープラーニングは本質的に同じコインの両面です。 深層学習技術は、同じように幅広い状況で正しい応答を予測できる、訓練された人工知能エージェントの多種多様なものを含む、はるかに大きな分野に属する特定の分野です。 ただし、ディープラーニングをこれらの他のすべての手法から独立させているのは、多くの仮想環境で可能な限り最良のアクションを学習することにより、特定の目標を達成するためにエージェントを教えることにほぼ専念しているという事実です。

従来の機械学習アルゴリズムは通常、暗記によって刺激に応答する方法を人工ノードに教えます。 これは、単純な繰り返しで構成される人間の指導技法にいくぶん似ているため、コンピューターで計算された、九九を暗唱できるようになるまで九九を走る学生と同等であると考えることができます。 これはある意味では効果的ですが、そのような方法で教育された人工知能エージェントは、元の設計仕様の範囲外の刺激に応答できない場合があります。

そのため、ディープラーニングのスペシャリストは、多くの点ではるかにハードウェアを集中的に使用しているにもかかわらず、この方法よりもいくらか優れていると考えられる代替アルゴリズムを開発しました。 深層学習エージェントによって使用されるサブルーチンは、生成的敵対的ネットワーク、畳み込みニューラルノード構造、または制限付きボルツマンマシンの実用的な形式に基づいている場合があります。 これらは、従来の機械学習ファームウェアや最新のファイルシステムの大部分で使用されているバイナリツリーやリンクリストとは対照的です。

自己組織化マップも広くディープラーニングに使用されていますが、他のAI研究分野でのアプリケーションは、通常、それほど有望ではありません。 定義することになると ディープラーニングと機械学習 ただし、議論は、技術者が今後数か月の間に理論的な学術的議論よりも実用的なアプリケーションを探している可能性が高いです。 機械学習は、最も単純なAIから最も洗練された予測アルゴリズムまですべてを網羅し、ディープラーニングはこれらの手法のより選択的なサブセットを構成すると言えば十分です。

ディープラーニングテクノロジーの実用化

特定のプログラムの作成方法に応じて、深層学習手法を教師ありまたは半教師ありニューラルネットワークに沿って展開できます。 理論的には、次のことも可能です。 完全に監視されていないノードレイアウトを介してこれを行います、そしてすぐに最も有望になったのはこのテクニックです。 このアプリケーションは、既知の入力に対してテストする必要のある固有のグラフィック情報をコンピュータプログラムに提示することが多いため、教師なしネットワークは医療画像分析に役立つ場合があります。

従来の二分木または ブロックチェーンベースの学習システム 情報は、データを効果的に提示するように設計されていたはずの構造に隠されたままであるため、劇的に異なるシナリオで同じパターンを特定するのに苦労しました。 これは本質的にステガノグラフィの自然な形であり、ヘルスケア業界のコンピューターアルゴリズムを混乱させてきました。 ただし、この新しいタイプの教師なし学習ノードは、コンピューターが期待する通常の線に沿って編成されていないデータ構造でも、これらのパターンを一致させる方法について事実上教育することができます。

他の人は実装を提案しました 半教師あり人工知能マーケティングエージェント これにより、既存の取引成立ソフトウェアに関する倫理に関する懸念の多くを取り除くことができます。 これらのツールは、できるだけ多くの顧客ベースに到達しようとする代わりに、特定の時間に製品を必要とする特定の個人のオッズを計算します。 そのためには、組織が代表して活動する特定の種類の情報が必要になりますが、最終的には、それ以降のすべてのアクションを独自に予測できるようになります。

現在、同じ目標を達成するために従来の機械学習テクノロジーを利用するツールに依存している企業もありますが、これらは多くの場合、 プライバシー と倫理的な懸念。 深く構造化された学習アルゴリズムの出現により、ソフトウェアエンジニアはこれらの欠点に悩まされない新しいシステムを思い付くことができました。

プライベート自動学習環境の開発

従来の機械学習プログラムはしばしば深刻な問題にぶつかります プライバシー 有用な結論を引き出すために膨大な量の入力が必要であるという事実のために懸念があります。 深層学習画像認識ソフトウェア 入力のより小さなサブセットを処理することで機能するため、そのために多くの情報を必要としないことが保証されます。 ジョブ。 これは、 消費者データ漏えいの可能性.

これらの問題の多くに対する新しい規制スタンスを考慮すると、コンプライアンスの観点からもすぐに重要になるものになります。 毒物学研究室が使い始めると 生物活性に焦点を当てた深く構造化された学習パッケージ、規制当局は、この種の機密データを使用して特定のタスクを実行するために必要な情報の量に関して、追加の懸念を表明する可能性があります。 コンピュータ科学者は、ほとんどの人が快適に感じるよりも多くの物語を語る、バイトの真の消防ホースと呼ばれるものを縮小しなければなりませんでした。

ある意味で、これらの開発は、システム内の各プロセスがそのジョブを完了するために必要な量の特権のみを持つべきであると信じられていた以前の時代にまでさかのぼります。 機械学習エンジニアがこのパラダイムを採用しているため、今日の既存の運用を強化するために必要な大量のデータマイニングを必要としないという理由だけで、将来の開発はかなり安全になる可能性が高くなります。

画像クレジット：toptal.io

コインスマート。 BesteBitcoin-ヨーロッパのBörse
出典：https：//datafloq.com/read/deep-learning-vs-machine-learning-how-emerging-field-influences-traditional-computer-programming/13652