두 개의 서로 다른 개념이 크게 얽혀있는 경우 서로 다른 학문적 주제로 구분하기 어려울 수 있습니다. 분리하기 어려운 이유를 설명 할 수 있습니다. 깊은 학습 에 기계 학습 전체적으로. 자동화와 즉각적인 만족 모두에 대한 현재의 추진을 고려할 때이 주제에 많은 초점이 새롭게 집중되었습니다.
자동화 된 제조 작업부터 개인화 된 디지털 의학 잠재적으로 의존 할 수 있습니다. 깊은 학습 과학 기술. 그러나 이러한 산업에 혁명을 일으킬이 기술 분야의 정확한 측면을 정의하는 것은 훨씬 더 어렵습니다. 아마도 컴퓨터 과학의 더 큰 움직임의 맥락에서 딥 러닝을 고려하는 것이 가장 좋습니다.
기계 학습의 하위 집합으로 딥 러닝 정의
기계 학습 그리고 딥 러닝은 본질적으로 같은 동전의 양면입니다. 딥 러닝 기술은 똑같이 다양한 상황에서 올바른 응답을 예측할 수있는 다양한 훈련 된 인공 지능 에이전트를 포함하는 훨씬 더 큰 분야에 속하는 특정 분야입니다. 그러나 딥 러닝을 이러한 다른 모든 기술과 독립적으로 만드는 것은 여러 가상 환경에서 가능한 최상의 작업을 학습함으로써 특정 목표를 달성하기 위해 에이전트를 가르치는 데 거의 전적으로 초점을 맞추고 있다는 사실입니다.
전통적인 기계 학습 알고리즘은 일반적으로 암기 암기를 통해 자극에 반응하는 방법을 인공 노드에 가르칩니다. 이것은 단순한 반복으로 구성된 인간의 교육 기술과 다소 유사하므로 시간표를 암송 할 수있을 때까지 시간표를 뛰어 다니는 학생과 동등한 컴퓨터로 생각할 수 있습니다. 이 방법은 효과적이지만 그러한 방식으로 교육받은 인공 지능 에이전트는 원래 설계 사양의 영역을 벗어난 어떤 자극에도 반응하지 못할 수 있습니다.
이것이 딥 러닝 전문가들이이 방법보다 다소 우월하다고 여겨지는 대체 알고리즘을 개발 한 이유입니다. 딥 러닝 에이전트가 사용하는 서브로 운틴은 생성 적대 네트워크, 컨볼 루션 신경 노드 구조 또는 제한된 볼츠만 머신의 실용적인 형태를 기반으로 할 수 있습니다. 이는 기존의 기계 학습 펌웨어 및 대부분의 최신 파일 시스템에서 사용하는 이진 트리 및 연결 목록과는 뚜렷한 대조를 이룹니다.
자체 구성 맵은 다른 AI 연구 분야에서의 응용 프로그램이 일반적으로 훨씬 덜 유망했지만 딥 러닝에도 널리 사용되었습니다. 정의에 관해서는 딥 러닝 vs 머신 러닝 그러나 토론에서는 기술자들이 향후 몇 달 동안 이론적 학술 토론보다 실용적인 응용 프로그램을 더 많이 찾고있을 가능성이 높습니다. 머신 러닝은 가장 단순한 AI에서 가장 정교한 예측 알고리즘에 이르기까지 모든 것을 포괄하는 반면 딥 러닝은 이러한 기술의보다 선택적 하위 집합을 구성한다고 말하면 충분합니다.
딥 러닝 기술의 실제 응용
특정 프로그램이 작성되는 방식에 따라 딥 러닝 기술은 감독 또는 반 감독 신경망을 따라 배포 될 수 있습니다. 이론적으로도 가능할 것입니다. 완전히 감독되지 않는 노드 레이아웃을 통해 수행, 그리고 가장 유망한 기술이 된 것은 바로이 기술입니다. 비지도 네트워크는 의료 영상 분석에 유용 할 수 있습니다.이 애플리케이션은 종종 알려진 입력에 대해 테스트해야하는 컴퓨터 프로그램에 고유 한 그래픽 정보를 제공하기 때문입니다.
전통적인 이진 트리 또는 블록 체인 기반 학습 시스템 데이터를 효과적으로 제공하도록 설계된 구조에 정보가 숨겨져 있기 때문에 극적으로 다른 시나리오에서 동일한 패턴을 식별하는 데 어려움을 겪었습니다. 본질적으로 스테 가노 그래피의 자연스러운 형태이며 의료 산업에서 컴퓨터 알고리즘을 혼란스럽게했습니다. 그러나이 새로운 유형의 비지도 학습 노드는 컴퓨터가 예상하는 정상적인 라인을 따라 구성되지 않은 데이터 구조에서도 이러한 패턴을 일치시키는 방법에 대해 사실상 스스로 교육 할 수 있습니다.
다른 사람들은 구현을 제안했습니다. 준 감독 인공 지능 마케팅 에이전트 이는 기존 거래 성사 소프트웨어와 관련된 윤리에 대한 우려를 상당 부분 제거 할 수 있습니다. 이 도구는 가능한 한 많은 고객층에 도달하려고하는 대신 주어진 시간에 제품을 필요로하는 개인의 확률을 계산합니다. 이를 위해서는 조직이 대리하는 특정 유형의 정보가 필요하지만 결국 모든 추가 조치를 자체적으로 예측할 수있게됩니다.
일부 회사는 현재 동일한 목표를 달성하기 위해 전통적인 기계 학습 기술을 활용하는 도구에 의존하고 있지만 이러한 도구는 종종 개인 정보 보호 윤리적 문제. 심층 구조화 된 학습 알고리즘의 출현으로 소프트웨어 엔지니어는 이러한 단점이없는 새로운 시스템을 만들 수있게되었습니다.
개인 자동화 학습 환경 개발
기존의 기계 학습 프로그램은 종종 심각하게 실행됩니다. 개인 정보 보호 유용한 결론을 도출하기 위해 엄청난 양의 입력이 필요하기 때문입니다. 딥 러닝 이미지 인식 소프트웨어 입력의 작은 하위 집합을 처리하여 작동하므로 많은 정보가 필요하지 않습니다. 일. 이것은 걱정하는 사람들에게 특히 중요합니다. 소비자 데이터 유출 가능성.
이러한 많은 문제에 대한 새로운 규제 입장을 고려할 때, 규정 준수 관점에서도 중요한 요소가되었습니다. 독성학 실험실에서 생체 활동 중심의 심층 구조 학습 패키지, 규제 당국은 이러한 종류의 민감한 데이터로 주어진 작업을 수행하는 데 필요한 정보의 양과 관련하여 추가적인 우려를 표명 할 가능성이 높습니다. 컴퓨터 과학자들은 일부 사람들이 대부분이 편한 것보다 더 많은 이야기를 전달하는 바이트의 진정한 소방 호스라고 부르는 것을 축소해야했습니다.
어떤면에서 이러한 발전은 시스템의 각 프로세스가 작업을 완료하는 데 필요한 권한의 양만 가져야한다고 믿었던 초기로 거슬러 올라갑니다. 머신 러닝 엔지니어가이 패러다임을 수용함에 따라, 오늘날의 기존 작업을 지원하는 데 필요한 방대한 양의 데이터 마이닝이 필요하지 않기 때문에 향후 개발이 훨씬 더 안전해질 가능성이 높습니다.
이미지 크레딧 : toptal.io
코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://datafloq.com/read/deep-learning-vs-machine-learning-how-emerging-field-influences-traditional-computer-programming/13652
