मशीन लर्निंग और डीप लर्निंग में क्या अंतर है? एक सरल गाइड
एक व्यापक क्षेत्र है, दूसरा इसके अंदर एक शक्तिशाली तकनीक है। यहाँ बताया गया है कि वे कैसे संबंधित हैं।
मशीन लर्निंग कृत्रिम बुद्धिमत्ता की एक शाखा है जहाँ कंप्यूटर हाथ से लिखे गए नियमों का पालन करने के बजाय डेटा से पैटर्न सीखते हैं। डीप लर्निंग मशीन लर्निंग के अंदर एक विशिष्ट विधि है जो मस्तिष्क से ढीले ढंग से प्रेरित बहुस्तरीय नेटवर्क का उपयोग करती है। हर डीप लर्निंग सिस्टम मशीन लर्निंग है, लेकिन अधिकांश मशीन लर्निंग सिस्टम डीप लर्निंग नहीं हैं।
नियमित मशीन लर्निंग वास्तव में कैसे काम करती है?
क्लासिक मशीन लर्निंग एक कंप्यूटर को डेटा के साथ-साथ विशेषताओं का एक सेट देती है जिसे मनुष्यों ने पहले से ही महत्वपूर्ण माना है। उदाहरण के लिए, स्पैम ईमेल का पता लगाने के लिए, एक प्रोग्रामर सिस्टम को "मुफ्त" और "तुरंत" जैसे शब्दों और प्रेषक के डोमेन पर ध्यान देने के लिए कह सकता है।
फिर एल्गोरिथ्म सीखता है कि स्पैम की भविष्यवाणी करने के लिए उन हाथ से चुनी गई विशेषताओं का कौन सा संयोजन सबसे अच्छा है। यह तब अच्छी तरह काम करता है जब विशेषज्ञों को पहले से पता हो कि क्या देखना है। नुकसान यह है कि किसी को वह विशेषज्ञ विशेषता-चयन कार्य आगे करना होता है, और इसमें लंबा समय लग सकता है।
सामान्य क्लासिक विधियों में निर्णय वृक्ष (फ़्लोचार्ट-शैली के नियम जो मॉडल स्वयं बनाता है), लॉजिस्टिक रिग्रेशन (परिणाम की संभावना को स्कोर करना), और सपोर्ट वेक्टर मशीनें (डेटा में श्रेणियों के बीच सर्वोत्तम सीमा खींचना) शामिल हैं। प्रत्येक पारदर्शी होता है ताकि आप आमतौर पर देख सकें कि इसने निर्णय क्यों लिया।
तो डीप लर्निंग को क्या अलग बनाता है?
डीप लर्निंग हाथ से तैयार की गई विशेषता चरण को पूरी तरह छोड़ देती है। आप इसे कच्चे डेटा देते हैं, जैसे पिक्सेल, ऑडियो नमूने, या शब्द, और यह यह पता लगाता है कि कौन से पैटर्न महत्वपूर्ण हैं, सरल गणित संचालन की कई स्टैक किए गई परतों के माध्यम से डेटा पास करके। ये स्टैक न्यूरल नेटवर्क कहलाते हैं।
प्रत्येक परत एक थोड़ा अधिक अमूर्त विशेषता सीखता है। एक इमेज-रिकग्निशन नेटवर्क में, शुरुआती परतें किनारों को नोटिस करती हैं, मध्य परतें आकार को नोटिस करती हैं, और बाद की परतें वस्तुओं को नोटिस करती हैं। गूगल डीपमाइंड इस पदानुक्रमित प्रतिनिधित्व सीखने को बताता है जिसने अल्फाफोल्ड को प्रोटीन संरचनाओं की भविष्यवाणी करने की अनुमति दी जो पारंपरिक विधियों को दशकों के लिए हैरान करती रहीं।
ट्रेडऑफ: डीप लर्निंग को आमतौर पर प्रशिक्षण के लिए बहुत अधिक डेटा और कंप्यूटिंग शक्ति की आवश्यकता होती है, और जो निर्णय यह लेता है वे समझाने में कठिन होते हैं।
एक साथ तुलना
| विशेषता | क्लासिक मशीन लर्निंग | डीप लर्निंग |
|---|---|---|
| विशेषता चयन | मानव विशेषज्ञ उन्हें चुनते हैं | मॉडल उन्हें स्वचालित रूप से ढूंढता है |
| आवश्यक डेटा | सैकड़ों से हजारों उदाहरण | अक्सर लाखों उदाहरण |
| कंप्यूट लागत | कम से मध्यम | उच्च (अक्सर GPU की आवश्यकता) |
| व्याख्यातीयता | आमतौर पर पठनीय | अक्सर एक "ब्लैक बॉक्स" |
| सर्वश्रेष्ठ है | संरचित तालिकाएं, छोटे डेटासेट | छवियाँ, ऑडियो, पाठ, वीडियो |
| उदाहरण एल्गोरिथ्म | यादृच्छिक वन | कनवोल्यूशनल न्यूरल नेटवर्क |
क्या आप दोनों के कार्य का एक वास्तविक उदाहरण दे सकते हैं?
ज़रूर। एक बैंक धोखाधड़ी टीम संदिग्ध लेनदेन को फ्लैग करने के लिए एक क्लासिक ग्रेडिएंट-बूस्टिंग मॉडल (एक मशीन लर्निंग विधि जो कई छोटे निर्णय वृक्षों को जोड़ती है) का उपयोग कर सकती है, क्योंकि मॉडल का तर्क नियामकों को दिखाया जा सकता है। इस बीच, आपके फोन की फेस-अनलॉक विशेषता डीप लर्निंग का उपयोग करती है, विशेष रूप से एक कनवोल्यूशनल न्यूरल नेटवर्क, क्योंकि बदलती हुई प्रकाश स्थितियों के बीच कच्चे पिक्सेल से चेहरे को पहचानना बिल्कुल वह गड़बड़ समस्या है जिसके लिए डीप लर्निंग बनाई गई थी।
क्या डीप लर्निंग हमेशा जीतती है?
बिल्कुल नहीं। जब आपका डेटासेट छोटा हो या आपका डेटा साफ कॉलम और पंक्तियों में रहता हो, तो क्लासिक मशीन लर्निंग अक्सर डीप लर्निंग को हराती है और घंटों के बजाय सेकंड में प्रशिक्षण लेती है। कार्नेगी मेलन और अन्य संस्थानों के शोध को arXiv पर प्रकाशित किया गया से पता चलता है कि वृक्ष-आधारित मॉडल अक्सर संरचित सारणीबद्ध डेटा पर डीप लर्निंग से बेहतर प्रदर्शन करते हैं। सही उपकरण चुनना आपके डेटा प्रकार, आपके बजट, और यह पर निर्भर करता है कि क्या आपको निर्णय को किसी मानव को समझाने की आवश्यकता है।
इसका उपयोग करने में क्या लागत आती है?
क्लासिक मशीन लर्निंग के लिए, scikit-learn जैसी मुक्त स्रोत पुस्तकालयें एक मानक लैपटॉप पर चलती हैं। डीप लर्निंग एक अलग कहानी है। एक बड़ी इमेज या भाषा मॉडल को प्रशिक्षित करने की लागत क्लाउड कंप्यूट में हजारों डॉलर हो सकती है। OpenAI की API आपको प्रति-टोकन शुल्क के लिए पूर्व-प्रशिक्षित डीप लर्निंग मॉडल तक पहुंचने देती है (एक टोकन मोटे तौर पर एक शब्द का तीन-चौथाई है), तो आप शुरुआत से प्रशिक्षण के बजाय जो उपयोग करते हैं उसके लिए भुगतान करते हैं।
क्या कोई गोपनीयता संबंधी समस्याएं हैं?
किसी भी दृष्टिकोण से, यदि आप एक मॉडल को प्रशिक्षित करने या चलाने के लिए एक क्लाउड सेवा को अपना डेटा भेजते हैं, तो वह प्रदाता इसे देख सकता है। सरल और सीधा। जांचें कि क्या सेवा अपने स्वयं के मॉडल में सुधार के लिए आपके डेटा का उपयोग करती है, क्योंकि कुछ डिफ़ॉल्ट रूप से करती हैं। संवेदनशील डेटा के लिए, ऑन-डिवाइस विकल्पों या अनुबंधों की तलाश करें जो आपके इनपुट पर प्रशिक्षण को स्पष्ट रूप से निषिद्ध करते हैं। यूरोपीय संघ AI अधिनियम इन प्रणालियों के कुछ उपयोगों को उच्च-जोखिम के रूप में वर्गीकृत करता है, जो अतिरिक्त पारदर्शिता और डेटा-हैंडलिंग दायित्वों को ट्रिगर करता है।
सामान्य प्रश्न
क्या न्यूरल नेटवर्क डीप लर्निंग के समान है?
लगभग, लेकिन बिल्कुल नहीं। केवल एक या दो परतों वाला एक न्यूरल नेटवर्क तकनीकी रूप से उथला है और नियमित मशीन लर्निंग के रूप में गिना जाता है। डीप लर्निंग विशेष रूप से कई परतों वाले न्यूरल नेटवर्क का मतलब है, आमतौर पर तीन से अधिक, जहाँ वह गहराई ही विधि को उसकी शक्ति देती है।
क्या आज AI उपकरणों का उपयोग करने के लिए मुझे दोनों को समझने की आवश्यकता है?
ज़रूरी नहीं। अधिकांश तैयार AI उपकरण आपके लिए जटिलता को संभालते हैं। अंतर को जानना आपको सही उपकरण चुनने और समझने में मदद करता है कि एक सिस्टम विफल क्यों हो सकता है, लेकिन उनसे लाभ उठाने के लिए आपको न तो से शुरुआत से बनाने की आवश्यकता नहीं है।
