Diep versus versterkend leren: verschil en vergelijking

Als het om AI gaat, wordt machine learning gezien als een onderdeel ervan. Machine learning is de studie van computeralgoritmen die automatisch verbetert door datagebruik en ervaring. Het algoritme bouwt een model op basis van voorbeeldgegevens of trainingsgegevens.

Machine learning-algoritmen worden gebruikt in verschillende toepassingen, bijvoorbeeld voor het filteren van e-mail, computervisie, medicijnen en spraakherkenning.

Diep en versterking van leren zijn twee algoritmen die onder machine learning vallen. In dit artikel staat differentiëren centraal diepgaand leren en versterkend leren.

Key Takeaways

1. Diep leren is een subset van machine learning gericht op kunstmatige neurale netwerken. Reinforcement learning is daarentegen een vorm van machinaal leren waarbij een agent leert beslissingen te nemen op basis van beloningen en straffen.
2. Diep leren blinkt uit in taken als beeld- en spraakherkenning, terwijl versterkend leren geschikt is voor toepassingen zoals robotica en autonome systemen.
3. Algoritmen voor diep leren hebben grote hoeveelheden gelabelde gegevens nodig voor training, terwijl algoritmen voor versterkend leren leren van vallen en opstaan, zonder dat gelabelde gegevens nodig zijn.

Diep leren versus versterkend leren 

Diepe leer is een subset van machine learning die kunstmatige neurale netwerken gebruikt om grote hoeveelheden gegevens te verwerken. Reinforcement learning wordt gebruikt voor besluitvorming in complexe omgevingen. Het is gebaseerd op het concept van een agent die interageert met een achtergrond en leert van beloningen of straffen.

Deep learning leert computers te doen wat ze te wachten staat mensen natuurlijk: leer door voorbeeld. Het is een cruciale technologie aan de achterkant van zelfrijdende auto's, van een lantaarnpaal tot het onderscheiden van een voetganger of het laten zien van een stopbord.

Het is de sleutel in de apparaten van consumenten om voice control, zoals tablets, handsfree speakers, tv's en telefoons.

Reinforcement learning is het nemen van passende maatregelen in een bepaalde situatie om de beloning te maximaliseren. Verschillende machines en software gebruiken het om het best mogelijke pad of gedrag te vinden dat het in een specifiek geval zou moeten volgen.

De beslissing is onafhankelijk bij versterkend leren, dus labels worden gegeven aan reeksen van afhankelijke keuzes.

Vergelijkingstabel

Parameters van vergelijking:	Diepe leren	Versterking leren
Oorsprong	in 1986	In de late 1980's
De inbrenger	Rina Dechter	Richard portier
Ook wel genoemd	Diep gestructureerd leren of hiërarchisch leren	Geen
Gegevens bestaan	Reeds bestaande dataset vereist om te leren	In telecommunicatie, robotica, computerspellen, liftplanning en AI in de gezondheidszorg.
benutting	In spraak- en beeldherkenning, dimensiereductietaak en voortraining in diep netwerken.	In telecommunicatie, robotica, computerspellen, liftplanning en AI in de gezondheidszorg.

Wat is diep leren? 

Diep leren is een vorm van AI en machine learning dat imiteert hoe mensen bepaalde soorten kennis verwerven. In data science, is deep learning een essentieel element dat bestaat uit voorspellende modellen en statistieken.

Voor datawetenschappers is diep leren zeer nuttig, die belast zijn met het interpreteren, verzamelen en analyseren van gegevens.  

Door middel van gegevensinvoer, vooringenomenheid en gewichten, proberen deep learning kunstmatige neurale netwerken of neurale netwerken de mens na te bootsen hersenen.

De algoritmen in traditionele machine learning zijn lineair, terwijl diepgaande kennis van algoritmen gestapeld is in een hiërarchie van toenemend abstractie en complexiteit.  

Diep leren met behulp van computerprogramma's doorloopt vrijwel hetzelfde proces als een peuter die leert een hoe. In de hiërarchie, elk algoritme past een niet-lineaire transformatie toe op zijn invoer.

Gebruikt vervolgens wat het leert om een ​​statistisch model als uitvoer te maken, tenzij de productie een niveau van acceptabele nauwkeurigheid heeft bereikt totdat de iteraties doorgaan.

De lagen in diep leren maken het mogelijk om heterogeen te zijn en sterk af te wijken van modellen van biologisch geïnformeerde connectionisten omwille van de trainbaarheid, efficiëntie en begrijpelijkheid. 

Wat is versterkend leren? 

Reinforcement learning voert acties uit om de beloningen te maximaliseren. Leren doe je eenvoudigweg door iets te doen om in de beste tijden consequenties te bereiken.

Dit is net als het leren van dingen zoals fiets rijden, waarin we in het begin weten door te vallen.

Met de feedback van gebruikers, wat mislukte en wat overuren werkte om de actie en greep om te fietsen te verfijnen.

Net als deze gebruiken computers het leren van bekrachtiging en proberen ze specifieke acties uit; door de feedback leren ze en versterken ze eindelijk de geleverde inspanningen.

Het algoritme wordt bijvoorbeeld autonoom aangepast en herwerkt gedurende vele iteraties, tenzij er beslissingen worden genomen die de beste resultaten opleveren.

Robot leren lopen is een van de voorbeelden van het algoritme, namelijk versterkend leren. Eerst wordt een stap naar voren geprobeerd door een robot die groot genoeg is en valt.

De valuitkomst is een datapunt, een grote stap in de reactie van het systeem op versterkend leren, omdat de val een uitkomst is die werkte als negatieve feedback die werd gebruikt om het systeem aan te passen om een ​​minder belangrijke graad te proberen.

Eindelijk kan de robot vooruit.

Belangrijkste verschillen tussen diep leren en versterkend leren 

1. Wat de leer van algoritmen betreft, gebruikt deep learning actuele informatie voor relevante patronen. Integendeel, bij versterkend leren worden voorspellingen gedaan door middel van fouten en vallen en opstaan.  
2. De deep learning-toepassing gaat meer over herkenning en taken met gebiedsverkleining. Aan de andere kant is versterkend leren gekoppeld aan de interactie van de omgeving met optimale controle.  
3. In termen van voorbeelden, de Amazone creditcardfraudesysteem is een instantie voor diep leren waarin neurale netwerken worden gebouwd met behulp van de verkregen gegevens van aankopen van online creditcards. Omgekeerd is een lopende robot een voorbeeld van versterkend leren waarbij acties worden bepaald door hoe hoog het been moet worden opgetild.
4. Deep learning wordt minder geassocieerd met interactie. Ter vergelijking: versterkend leren ligt dichter bij de mogelijkheden van het menselijk brein, wat betreft dit soort feedback intelligentie- kan verbeterd worden.  
5. Leertechnieken die deel uitmaken van deep learning zijn het analyseren van bestaande gegevens en leren toegepast op een nieuwe dataset. Technieken voor versterkend leren omvatten daarentegen het leren van fouten en het maximaliseren van beloningen. 

Referenties 

1. https://books.google.com/books?hl=en&lr=&id=omivDQAAQBAJ&oi=fnd&pg=PR5&dq=deep+learning+&ots=MNQ_ipnCSR&sig=yeqmpT4zod7fgti0YqbcLj7nmik
2. https://books.google.com/books?hl=en&lr=&id=uWV0DwAAQBAJ&oi=fnd&pg=PR7&dq=reinforcement+learning+&ots=mirEv1Z4o6&sig=zsp-E9V5ghtGvtAhaGwlCkbqJCM

Laatst bijgewerkt: 30 juni 2023