الفرق بين التعلم العميق والتعلم الآلي

ما هو التعلم العميق؟

تعتبر بعض مدارس الفكر التعلم العميق بمثابة حدود متقدمة للتعلم الآلي، وهو معقد المجمع. من الممكن أن تكون قد شاهدت بالفعل نتائج نظام التعلم العميق المكثف دون أن تعرف ذلك! على الأرجح أنك شاهدت Netflix، ورأيت توصياتها للأفلام للاستمتاع بها.

في الواقع، تختار العديد من خدمات بث الموسيقى الأغاني من خلال تقييم الأغاني التي استمعت إليها سابقًا أو تلك التي نقرت على زر “أعجبني” لها أو أعطيت تقييمًا بخمس نجوم. كل هذه القدرات ممكنة بسبب التعلم العميق. يتم أيضًا تنفيذ التعلم العميق لخوارزميات التعرف على الصور والتعرف على الصوت من Google.

بالطريقة نفسها، يُعتبر التعلم الآلي جزءًا فرعيًا من الذكاء الاصطناعي (AI)، وعادة ما يُنظر إلى التعلم العميق على أنه شكل من أشكال التعلم الآلي – قد يكون مجموعة فرعية.

ما هو التعلم الآلي؟

برامج التعلم الآلي لأنظمة الكمبيوتر للتعلم من البيانات المدخلة دون الحاجة إلى إعادة برمجة مستمرة. هذا يعني أنهم يواصلون تحسين أدائهم في مهمة معينة – مثل لعب لعبة – دون أي تدخل من الإنسان. اليوم، يتم استخدام التعلم الآلي في مجموعة واسعة من القطاعات بما في ذلك الرعاية الصحية والتمويل والعلوم والفنون وغيرها الكثير.

علاوة على ذلك، هناك عدة طرق لجعل الآلات تتعلم. من الطرق البسيطة، مثل شجرة القرار الأساسية، إلى بعض الأساليب الأكثر تعقيدًا التي تتضمن طبقات عديدة من الشبكات العصبية الاصطناعية (ANN). مع ترحيب للإنترنت، تم تطوير عدد كبير من البيانات وتخزينها، ويمكن توفير هذه البيانات بسهولة لأنظمة الكمبيوتر لتمكينها من “التعلم” بشكل صحيح.

هناك طريقتان شائعتان تستخدمان اليوم وهما التعلم الآلي باستخدام Python والتعلم الآلي باستخدام R. على الرغم من أن هدفنا ليس مناقشة لغات برمجة معينة هنا، إلا أنه من المفيد جدًا فهم Python أو R، خاصةً إذا كنت ترغب في التعمق أكثر في التعلم الآلي مع Python والتعلم الآلي باستخدام R.

التعلم العميق مقابل التعلم الآلي

على الرغم من استخدام المصطلحين “التعلم العميق” و “التعلم الآلي” بشكل متبادل، إلا أنه من الضروري أن تفهم كيف يختلفان، خاصة إذا كنت تفكر في الحصول على وظيفة في الذكاء الاصطناعي. على الرغم من أن بعض أنظمة الكمبيوتر التي تعمل بالذكاء الاصطناعي ليست قادرة على التعلم بمفردها، إلا أنها لا تزال تعتبر “ذكية”. أدناه، سوف نتعمق في مناقشة خصوصيات وعموميات التعلم العميق مقابل التعلم الآلي .

1. تدخل بشري

   في نظام التعلم الآلي النموذجي، من الضروري أن يقوم الإنسان بتحديد وترميز الميزات المحددة يدويًا اعتمادًا على تنسيق البيانات (مثل الاتجاه والشكل والقيمة وما إلى ذلك). بينما يهدف نظام التعلم العميق إلى إتقان تلك الميزات دون إضافة أي تدخل بشري آخر. استخدام برنامج التعرف على الوجه كمثال للحالة ؛ يبدأ البرنامج بتعلم اكتشاف وتحديد خطوط وحواف الوجوه، ثم السمات البارزة الأخرى للوجوه، ثم في النهاية التمثيلات العامة للوجوه.

   تتضمن هذه العملية كمية هائلة من البيانات، وبينما يعلم البرنامج نفسه بمرور الوقت، تزداد احتمالات الحصول على نتائج دقيقة (أي التعرف على الوجوه بشكل صحيح). يحدث هذا التدريب من خلال استخدام الشبكات العصبية، التي لا تختلف كثيرًا عن طريقة عمل الدماغ البشري، دون أن يضطر الإنسان إلى إعادة تشفير البرنامج.

2. المعدات

   نتيجة لكمية البيانات التي تتم معالجتها، فضلاً عن تعقيد الحسابات الرياضية المتضمنة في الخوارزميات المطبقة، تتطلب أنظمة التعلم العميق أجهزة قوية للغاية مقارنة بأنظمة التعلم الآلي العادية. وحدات المعالجة الرسومية (GPUs) هي نوع معين من الأجهزة المستخدمة في التعلم العميق. من ناحية أخرى، لا تحتاج برامج التعلم الآلي إلى الكثير من قوة الحوسبة للعمل على الأجهزة ذات المستوى الأدنى.

3. زمن

   ليس من المستغرب أنه نتيجة لمجموعات البيانات الكبيرة المطلوبة في نظام التعلم العميق وبالنظر إلى وجود الكثير من المعلمات والصيغ الرياضية المتقدمة، فإن نظام التعلم العميق يستغرق الكثير من الوقت للتدريب. من ناحية أخرى، قد يستغرق التعلم الآلي وقتًا أقل قد يستغرق بضع ثوانٍ فقط لبضع ساعات. ومع ذلك، يستغرق التعلم العميق من بضع ساعات إلى أسبوعين.

4. نهج

   عادةً ما تقوم خوارزميات التعلم الآلي بتحليل البيانات في أجزاء، ثم يتم تجميع هذه البتات لتطوير حل أو نتيجة. تأخذ أنظمة التعلم العميق بعين الاعتبار السيناريو أو المشكلة بأكملها في ضربة واحدة. خذ على سبيل المثال، إذا كنت تنوي أن يتعرف أحد البرامج على أشياء معينة في صورة ما (طبيعة وجودها وموقعها أو موقعها – مثل لوحات الترخيص على المركبات في ساحة انتظار السيارات)، فإن التعلم الآلي سيحقق ذلك من خلال خطوتين: أولاً، الكشف عن الشيء ثم التعرف عليه.

   من ناحية أخرى، سيتطلب برنامج التعلم العميق أن تقوم بإدخال الصورة، وبمساعدة البرنامج سيقدم كلاً من الكائنات التي تم التعرف عليها وموضعها في الصورة في نتيجة واحدة.

5. التطبيقات

   بناءً على جميع الاختلافات المذكورة أعلاه، من المحتمل أن تكون قد خمنت أن أنظمة التعلم العميق والتعلم الآلي تستخدم في تطبيقات مختلفة. أين تستخدم؟ تتضمن تطبيقات التعلم الآلي البسيطة أجهزة الكشف عن البريد الإلكتروني العشوائي، والبرامج التنبؤية (التي يمكن استخدامها للتنبؤ بالتكاليف في سوق الأوراق المالية أو متى وأين سيضرب إعصار آخر)، بالإضافة إلى البرامج التي تخلق خيارات العلاج القائمة على الأدلة لمرضى المستشفيات.

   من ناحية أخرى، يتضمن تطبيق التعلم العميق التعرف على الوجه وخدمات بث الموسيقى و Netflix. بالإضافة إلى ذلك، تعد السيارات ذاتية القيادة تطبيقًا آخر للتعلم العميق تم الإعلان عنه بشكل كبير. تستخدم البرامج عدة طبقات من الشبكات العصبية لتنفيذ مهام مثل معرفة متى يجب الإبطاء أو الإسراع، والتعرف على إشارات المرور، وتحديد الأشياء التي يجب تجنبها.

6. إشراف

   يتضمن تعليم الآلة – سواء في التعلم العميق أو التعلم الآلي – كيفية التعلم كميات هائلة من البيانات. في هذا الصدد، هناك نوعان من التدريب: تحت الإشراف وغير خاضع للإشراف.

   من هذين النوعين، يتم استخدام التدريب تحت الإشراف على نطاق واسع. هنا، يقوم الإنسان بإطعام الآلة ببيانات نموذجية مصنفة بإجابات دقيقة. بعد ذلك، يعود الأمر إلى الجهاز لمعرفة كيفية تحديد الأنماط وتنفيذ الإجراءات لإدخال البيانات الجديدة.

   من ناحية أخرى، لا يتم استخدام التعلم غير الخاضع للإشراف بشكل شائع. ومع ذلك، فإنه يتيح الفرصة للآلة للعثور على إجابات جديدة للأسئلة الجديدة – تلك التي لا ندركها نحن البشر حاليًا. التدريب غير الخاضع للإشراف لا يتطلب أي مدخلات إضافية من البشر. وبالتالي، يندرج التعلم العميق تحت هذه الفئة.

   لذلك، يمكننا أيضًا فحص موضوع التعلم العميق مقابل التعلم الآلي فيما يتعلق بنوع البيانات التي تم تدريبهم عليها (أو التي يتعلمون منها).

8. طبقات الخوارزميات

   يعمل التعلم الآلي العام بطريقة تختلف عن الطريقة المحددة للتعلم العميق. يستخدم كل نظام تعلم آلي خوارزمية في تحليل البيانات والتعلم من البيانات وفي تحديد النتيجة. عادة، يستخدمون التفكير الخطي عن طريق تنفيذ كل عملية على البيانات بالتتابع.

   وفي الوقت نفسه، يستخدم التعلم العميق شبكة عصبية اصطناعية (ANN) لتحقيق النتائج. ANN هو نظام كمبيوتر يسعى لتقليد الدماغ البشري. بدلاً من الإجراء الخطي المتسلسل، يتم تصفية البيانات عبر عدة طبقات من المراحل لتحديد الأنماط بنفسها، وبدون مساعدة بشرية. نتيجة لذلك، هناك تحليل أعمق للبيانات المعينة – والنتائج التي قد لا يتوقعها البشر.

   في جوهرها، يعتمد التعلم الآلي مقابل التعلم العميق على كيفية تحليل كل مدخلات. يستخدم التعلم العميق عدة طبقات من الخوارزميات للعثور على أنماط وتقليد الإدراك البشري. ومع ذلك، فإن التعلم الآلي أكثر خطية، ويقارن المدخلات ببيانات العينة.

9. المفاهيم

   يستخدم التعلم الآلي مفاهيم أبسط مثل النماذج التنبؤية. من ناحية أخرى، يستخدم التعلم العميق الشبكات العصبية الاصطناعية المبرمجة لتقليد كيفية تفكير البشر وتعلمهم. إذا كنت تتذكر في علم الأحياء في المدرسة الثانوية ؛ السمة الحسابية الرئيسية والمكون الخلوي الرئيسي للدماغ البشري هو النيوترون. يمكن تشبيه كل اتصال محايد بكمبيوتر صغير. حسابات اتصال الخلايا العصبية في الدماغ لمعالجة أنواع مختلفة من المدخلات: الحسية، والبصرية، والسمعية، إلخ.

   في برامج الكمبيوتر للتعلم العميق، وكذلك التعلم الآلي، يتم تغذيتهم بالمدخلات. ومع ذلك، عادة ما تكون المعلومات في شكل مجموعات بيانات ضخمة لأن أنظمة التعلم العميق تتطلب مجموعة ضخمة من البيانات لفهمها وتقديم نتائج دقيقة. بعد ذلك، تقدم الشبكات العصبية الاصطناعية سلسلة من الأسئلة الثنائية بنعم / لا تتعلق بالبيانات. يتضمن ذلك حسابات رياضية متقدمة جدًا، وتصنيفًا للبيانات اعتمادًا على الإجابات التي حصلنا عليها.

اتجاهات

التعلم العميق والتعلم الآلي يحملان إمكانيات غير محدودة تقريبًا في المستقبل! على وجه الخصوص، يتم ضمان الاستخدام المتزايد للروبوتات، ليس فقط في قطاع التصنيع، ولكن أيضًا من خلال العديد من الطرق الأخرى التي من شأنها تحسين حياتنا اليومية بطرق كبيرة وصغيرة. من المحتمل أيضًا أن يشهد قطاع الرعاية الصحية تحولًا، حيث ستساعد أنظمة التعلم العميق العاملين في المجال الطبي في مواقف مثل التنبؤ بالسرطان أو اكتشافه بسرعة، وبالتالي إنقاذ العديد من الأرواح.

فيما يتعلق بالموارد المالية، فإن التعلم العميق والتعلم الآلي ملزمان بمساعدة العمليات التجارية في توفير المال، وإجراء استثمارات حكيمة، وتوزيع الموارد بكفاءة. ما هو أكثر من ذلك هو أن هذه المجالات الثلاثة هي مجرد نقطة انطلاق للاتجاهات المستقبلية للتعلم العميق والتعلم الآلي. حتى الآن، لا تزال العديد من المجالات التي سيتم تحسينها مجرد شرارة في خيال المطورين.