Verschil tussen machine learning en neurale netwerken
Share
Het belangrijkste verschil tussen machine learning en neurale netwerken is dat de machine learning verwijst naar het ontwikkelen van algoritmen die gegevens kunnen analyseren en leren om beslissingen te nemen terwijl de neurale netwerken een groep algoritmen zijn in machine learning die berekeningen uitvoeren die vergelijkbaar zijn met neuronen in het menselijk brein.
Machinaal leren is de techniek van het ontwikkelen van zelflerende algoritmen die gegevens kunnen analyseren, van hen kunnen leren, patronen herkennen en dienovereenkomstig beslissingen kunnen nemen. Het is een subcategorie van kunstmatige intelligentie. Machine learning maakt gebruik van verschillende algoritmen. Neuraal netwerk is daar een van. Deze concepten worden op grote schaal gebruikt op verschillende gebieden, zoals de geneeskunde, robotica, productie en landbouw.
Key Areas Covered
1. Wat is Machine Learning
- Definitie, typen, functionaliteit
2. Wat is neurale netwerken
- Definitie, typen, functionaliteit
3. Verschil tussen machine learning en neurale netwerken
- Vergelijking van belangrijke verschillen
Sleutelbegrippen
Kunstmatige intelligentie, Feedbacknetwerk, Feedforward-netwerk, Machine-learning, Neurale netwerken, Bewaakt leren, onbewaakt leren
Wat is Machine Learning
Machine learning is een subset van Artificial Intelligence. Machine learning algoritmen analyseren gegevens, leren van hen en nemen beslissingen. Het maakt gebruik van statistische methoden en laat de machine verbeteren met ervaring.
Figuur 1: Machine learning
Er zijn twee hoofdtypen van machine learning: gesuperviseerd leren en onbewaakt leren. In leren onder toezicht, er zijn invoervariabelen (x) en uitvoervariabelen (y). Het algoritme wordt getraind door de ingangen aan de uitgangen te koppelen (y = f (x)). Wanneer een nieuwe invoer wordt aangeboden, moet het algoritme de uitvoer voorspellen. Lineaire regressie, ondersteuningsvectormachine en willekeurige forests zijn enkele voorbeelden van gesuperviseerd leren.
In onbewaakt leren, er zijn alleen invoergegevens (x). Er zijn geen uitvoergegevens. In dit type is het niet noodzakelijk om het algoritme te trainen. In plaats daarvan ontdekt het zelf de patronen in de invoergegevens. Een van de belangrijkste unsupervised leeralgoritmen is clustering. Het identificeert de vergelijkbare instanties en groepeert ze samen om clusters te maken. Meestal is onbewaakt leren moeilijker dan onder toezicht leren. Kort gezegd helpt machine learning systemen te ontwikkelen die voorspellingen kunnen doen en voorspellingen kunnen doen met behulp van gegevens.
Wat zijn neurale netwerken
Neurale netwerken worden geïnspireerd door biologische neuronen. In het menselijk brein zijn er miljoenen neuronen en gaat de informatie van het ene neuron naar het andere. Neurale netwerken gebruiken dit concept om computationele taken sneller uit te voeren.
Figuur 2: Neuraal netwerk
Er zijn twee soorten neurale netwerken die feedforward en feedback worden genoemd. In feedforward netwerken, de informatie passeert alleen van de invoer naar de uitvoer en bevat geen feedbacklus. In feedback netwerken, de informatie kan in beide richtingen worden doorgegeven en bevat een feedbackpad.
De feedforward-netwerken zijn verder onderverdeeld in een enkellaags netwerk en een meerlagig netwerk. In een enkellaags netwerk maakt de invoerlaag verbinding met de uitvoerlaag. Aan de andere kant heeft het meerlaagse netwerk meer lagen, verborgen lagen genoemd tussen de invoerlaag en de uitvoerlaag.
Een neuraal netwerk bevat knooppunten. Deze knooppunten lijken op de neuronen in de hersenen. Verder hebben de verbindingen in het netwerk specifieke gewichten. Wanneer de ingangen naar de knooppunten x1, x2, x3 ... zijn en de bijbehorende gewichten w1, w2, w3, ... is de netinvoer (y) vergelijkbaar met de volgende.
y = x1. w1 + x2. w2 + x3.w3 + ... .
Nadat de activeringsfunctie zoals lineair of een sigmavormig element op de netingang is toegepast, wordt de uitgang zoals hieronder weergegeven.
Y = F (y)
Vervolgens wordt de uitvoer geëvalueerd. De gewichten worden aangepast als de geëvalueerde uitvoer verschilt van de gewenste uitvoer. Dit proces wordt herhaald totdat de gewenste resultaten zijn verkregen. Dit is de basisfunctionaliteit van een neuraal netwerk.
Verschil tussen machine learning en neurale netwerken
Definitie
Machining learning verwijst naar algoritmen die gebruikmaken van statistische technieken waarmee computers kunnen leren van gegevens en om de prestaties van een specifieke taak progressief te verbeteren. Een neuraal netwerk is een systeem dat is geïnspireerd door biologische neuronen in het menselijk brein die computertaken sneller kunnen uitvoeren.
algoritmes
Regressie, classificatie, clustering, support vector machine, willekeurige forests zijn maar weinig algoritmen in machine learning. Neurale netwerken zijn ook een algoritme dat valt onder machine learning.
Conclusie
Het verschil tussen machinaal leren en neurale netwerken is dat het leren van de machine verwijst naar het ontwikkelen van algoritmen die gegevens kunnen analyseren en leren om beslissingen te nemen, terwijl de neurale netwerken een groep algoritmen zijn in machine learning die berekeningen uitvoeren die lijken op neutronen in het menselijk brein..
Referentie:
1. Wat is Machine Learning? | Machine learning basisprincipes | Machine Learning Tutorial | Edureka !, 16 maart 2018, hier beschikbaar.
Afbeelding met dank aan:
1. "3161590" (CC0) via Pixabay
2. "Kunstmatig neuraal netwerk" door nl: Gebruiker: Cburnett - Eigen werk Deze vectorafbeelding is gemaakt met Inkscape (CC BY-SA 3.0) via Commons Wikimedia
