Поскольку глубокое обучение и машинное обучение, как правило, используются взаимозаменяемо, стоит отметить нюансы между ними. Как упоминалось выше, и глубокое обучение, и машинное обучение являются подполями искусственного интеллекта, а глубокое обучение на самом деле является подполем машинного обучения.
Глубокое обучение на самом деле состоит из нейронных сетей. “Глубокий” в deep learning относится к нейронной сети, состоящей из более чем трех уровней, которые включали бы входные данные и выходные данные — можно считать алгоритмом глубокого обучения. Обычно это представлено на диаграмме ниже.
Разница между глубоким обучением и машинным обучением заключается в том, как каждый алгоритм обучается. Глубокое обучение автоматизирует большую часть процесса извлечения признаков, устраняя часть ручного вмешательства человека и позволяя использовать большие наборы данных. Вы можете думать о глубоком обучении как о "масштабируемом машинном обучении", как отметил Лекс Фридман в той же лекции Массачусетского технологического института, приведенной выше. Классическое, или "неглубокое", машинное обучение в большей степени зависит от вмешательства человека в процесс обучения. Специалисты-люди определяют иерархию функций, чтобы понять различия между входными данными, для изучения которых обычно требуются более структурированные данные.
"Глубокое" машинное обучение может использовать помеченные наборы данных, также известные как контролируемое обучение, для информирования своего алгоритма, но для этого не обязательно требуется помеченный набор данных. Он может принимать неструктурированные данные в необработанном виде (например, текст, изображения) и автоматически определять иерархию признаков, которые отличают различные категории данных друг от друга. В отличие от машинного обучения, оно не требует вмешательства человека для обработки данных, что позволяет нам масштабировать машинное обучение более интересными способами.
