Υπάρχει διαφορά στο πώς οι αλγόριθμοι επεξεργάζονται και εν τέλει μαθαίνουν από τα δεδομένα;

Πόση ανεξαρτησία μπορεί να έχει πλέον ένας υπολογιστής;

Τις απαντήσεις στα ερωτήματα αυτά μας τις δίνουν το deep learning και το machine learning, τα οποία θα αναλύσουμε σήμερα.

 Τι Είναι το Machine Learning;

Το machine learning (μηχανική μάθηση) είναι ένα παρακλάδι της τεχνητής νοημοσύνης, που βασίζεται στην ιδέα πως οι υπολογιστές/μηχανές μπορούν να μαθαίνουν από τα δεδομένα που συλλέγουν με σκοπό να αναγνωρίζουν μοτίβα και να παίρνουν δικές τους αποφάσεις.

Σκοπός του machine learning, είναι να κάνει τους υπολογιστές να πραγματοποιούν διάφορες εργασίες, χωρίς να υπάρχει η ανάγκη λεπτομερούς προγραμματισμού. 

Πώς επιτυγχάνεται αυτό; Οι υπολογιστές μέσω του machine learning, μαθαινουν να αναγνωρίζουν μοτίβα και σταδιακά να ανεξαρτητοποιούνται.

Για παράδειγμα, αυτήν τη στιγμή οι υπολογιστές δουλεύουν με δεδομένα τα οποία εμείς κατηγοριοποιούμε και έτσι είναι σε θέση να τα αναγνωρίσουν. 

Μέσω του machine learning και της συνεχούς βελτίωσης των υπολογιστών, η αναγνώριση αυτή μπορεί κάποια στιγμή να γίνεται και χωρίς την κατηγοριοποίηση.

 Τι Είναι το Deep Learning;

Το deep learning, είναι μία εξέλιξη του machine learning.

Οι αλγόριθμοι του deep learning είναι πιο περίπλοκοι και η λειτουργία τους, μοιάζει περισσότερο, με το πώς θα λειτουργούσε ο ανθρώπινος νους.

Αυτό γίνεται μέσω ενός αλγορίθμου, ο οποίος έχει δημιουργηθεί με βάση τον ανθρώπινο εγκέφαλο, ο οποίος ονομάζεται ANN (artificial neural network).

Για να κατανοήσουμε καλύτερα το πώς εφαρμόζεται το deep learning στην καθημερινή μας ζωή, ας δώσουμε ένα παράδειγμα.

Πολλοί από εμάς έχουμε ή έχουμε χρησιμοποιήσει αυτοκίνητα που μας προειδοποιούν σε περίπτωση που εντοπίσουν κάποιο εμπόδιο. Η αναγνώριση αυτή των διαφόρων αντικειμένων, συμβαίνει μέσω του deel learning.

Αυτό δεν είναι κάτι που συνέβη άμεσα. Ο αλγόριθμος που πλέον αναγνωρίζει έναν ικανοποιητικό αριθμό εμποδίων, αρχικά μπορεί να αναγνώριζε μόνο ένα. Σταδιακά, μέσω του deep learning, έμαθε να αναγνωρίζει κι άλλα.

 Διαφορές Machine Learning & Deep Learning

   Διαφορά #1: Δεδομένα

Τα δεδομένα στο machine learning και στο deep learning διαφέρουν.

Στο machine learning χρησιμοποιούμε structured data, ενώ στο deep learning χρησιμοποιούμε το δίκτυο ANN.

   Διαφορά #2: Ανεξαρτησία

Στο machine learning από τη στιγμή που ένας αλγόριθμος μπει σε λειτουργία, υπάρχει επίβλεψη από έναν data analyst, ώστε να παρατηρεί τις διάφορες μεταβλητές.

Αντίθετα στο deep learning, από τη στιγμή που ένας αλγόριθμος ξεκινήσει να λειτουργεί, έχει μεγαλύτερη ανεξαρτησία αναφορικά με την ανάλυση δεδομένων.

   Διαφορά #3: Αποτελεσματικότητα

Οι αλγόριθμοι του machine learning, δημιουργούνται αρκετά γρήγορα, παρόλα αυτά η αποτελεσματικότητά τους δεν είναι και τόσο υψηλή.

Αντίθετα, οι αλγόριθμοι στο deep learning, μπορεί να χρειάζονται περισσότερο χρόνο για να δημιουργηθούν, όμως η αποτελεσματικότητά τους είναι υψηλή και μάλιστα βελτιώνονται συνεχώς, όσο περισσότερα δεδομένα λαμβάνουν.

   Διαφορά #4: Διάρκεια Εκτέλεσης

Οι αλγόριθμοι του machine learning χρειάζονται λιγότερο χρόνο εκτέλεσης του μοντέλου, αλλά στη συνέχεια χρειάζεται αρκετός χρόνος για να δοκιμαστεί το μοντέλο.

Αντίθετα, στο deep learning, χρειάζεται περισσότερος χρόνος εκτέλεσης, αλλά η δοκιμή γίνεται πολύ πιο σύντομα.

   Διαφορά #5: Τρόπος Επίλυσης Προβλημάτων

Στο machine learning, η προσέγγιση επίλυσης προβλημάτων είναι ότι ο αλγόριθμος παίρνει το πρόβλημα, το σπάει σε μικρότερα κομμάτια και επιλύει το κάθε ένα ξεχωριστά, ούτως ώστε στο τέλος να λύσει ολόκληρο το πρόβλημα.

Αντίθετα στο deep learning, ο αλγόριθμος λαμβάνει ένα πρόβλημα και δίνει κατευθείαν την τελική λύση.

 Με Λίγα Λόγια

Τόσο το deep learning, όσο και το machine learning προσφέρουν διαφορετικά οφέλη και σαφώς δουλεύουν με διαφορετικό τρόπο.

Το ποιο θα επιλέξεις εξαρτάται από το μέγεθος και την πολυπλοκότητα του προβλήματος.

Αν λοιπόν θες να μάθεις τα πάντα για τον κόσμο των δεδομένων, πώς να αναλύεις τα δεδομένα και πώς να βγάζεις συμπεράσματα από αυτά, ξεκίνα την εκπαίδευσή σου στο Data Science σήμερα!