Ang pangunahing pagkakaiba sa pagitan ng pag-aaral ng makina at mga neural network ay ang ang pag-aaral ng makina ay tumutukoy sa pagbuo ng mga algorithm na maaaring pag-aralan at alamin mula sa data upang makapagpasya habang ang mga neural network ay isang pangkat ng mga algorithm sa pag-aaral ng makina na nagsasagawa ng mga pagkalkula na katulad ng mga neuron sa utak ng tao.

Ang pag-aaral ng machine ay ang pamamaraan ng pagbuo ng mga algorithm sa pag-aaral ng sarili na maaaring pag-aralan ang data, matuto mula sa kanila, kilalanin ang mga pattern at gumawa ng mga desisyon nang naaayon. Ito ay isang subcategory ng Artipisyal na Katalinuhan. Ang pag-aaral ng makina ay gumagamit ng iba't ibang mga algorithm. Ang Neural network ay isa sa mga ito. Ang mga konseptong ito ay malawak na ginagamit sa iba't ibang larangan tulad ng gamot, robotics, manufacturing, at agrikultura.

Artipisyal na Katalinuhan, Network ng Feedback, Network ng Feedforward, Pag-aaral ng Makina, Mga Neural Network, Pinangangasiwaang Pag-aaral, Hindi Sinuportahang Pag-aaral

Ano ang Pag-aaral ng Makina

Ang pag-aaral ng makina ay isang subset ng Artipisyal na Katalinuhan. Ang mga algorithm sa pag-aaral ng machine ay pinag-aaralan ang data, natututo mula sa kanila at gumawa ng mga desisyon. Gumagamit ito ng mga pamamaraang pang-istatistika at pinapayagan ang makina na mapabuti na may karanasan.

Larawan 1: Pag-aaral ng Makina

Mayroong dalawang pangunahing uri ng pagkatuto ng makina: pinangangasiwaang pag-aaral at hindi suportadong pag-aaral. Sa pinangangasiwaang pag-aaral, may mga variable ng pag-input (x) at mga variable ng output (y). Ang algorithm ay sinanay sa pamamagitan ng pagmamapa ng mga input sa mga output (y = f (x)). Kapag nagbibigay ng isang bagong input, dapat hulaan ng algorithm ang output. Ang Linear regression, support vector machine at mga random na kagubatan ay ilang mga halimbawa ng pinangangasiwaang pag-aaral.

Sa hindi suportadong pag-aaral, mayroon lamang input data (x). Walang data ng output. Sa ganitong uri, hindi kinakailangan na sanayin ang algorithm. Sa halip, natutuklasan nito ang mga pattern sa input data nang mag-isa. Ang isang pangunahing hindi sinusubaybayan na algorithm sa pag-aaral ay ang pag-cluster. Kinikilala nito ang magkatulad na mga pagkakataon at pinangkat ang mga ito nang magkasama upang lumikha ng mga kumpol. Karaniwan, ang hindi suportadong pag-aaral ay mahirap kaysa sa pinangangasiwaang pag-aaral. Sa madaling sabi, nakakatulong ang pag-aaral ng makina upang makabuo ng mga system na maaaring matuto at maisagawa ang mga hula gamit ang data.

Ano ang Neural Networks

Ang mga neural network ay inspirasyon ng mga biological neuron. Sa utak ng tao, mayroong milyun-milyong mga neuron at ang impormasyon ay dumadaan mula sa isang neuron patungo sa isa pa. Ginagamit ng mga neural network ang konseptong ito upang mas mabilis na maisagawa ang mga gawain sa computational.

Larawan 2: Neural Network

Mayroong dalawang uri ng mga neural network na tinatawag na feedforward at feedback. Sa mga network ng feedforward, ang impormasyon ay pumasa lamang mula sa input hanggang sa output at hindi ito naglalaman ng isang loop ng feedback. Sa mga network ng feedback, ang impormasyon ay maaaring pumasa sa parehong direksyon at naglalaman ito ng isang path ng feedback.

Ang mga feedforward network sa karagdagang ay ikinategorya sa solong layer ng network at multi-layer na network. Sa solong layer ng layer, kumokonekta ang input layer sa output layer. Sa kabilang banda, ang multi-layer network ay may higit na mga layer na tinatawag na mga nakatagong layer sa pagitan ng input layer at output layer.

Ang isang neural network ay naglalaman ng mga node. Ang mga node na ito ay katulad ng mga neurons sa utak. Bukod dito, ang mga koneksyon sa network ay may tiyak na timbang. Kapag ang mga input sa mga node ay x1, x2, x3… at mga kaukulang timbang ay w1, w2, w3,… ang net input (y) ay katulad ng sumusunod.

y = x1. w1 + x2. w2 + x3.w3 +….

Matapos mailapat ang pagpapaandar ng pag-aktibo tulad ng linear o isang sigmoid sa net input, nagbibigay ito ng output tulad ng sa ibaba.

Y = F (y)

Pagkatapos, ang output ay sinusuri. Inaayos ang mga timbang kung ang nasuri na output ay naiiba mula sa nais na output. Ang prosesong ito ay paulit-ulit hanggang sa makuha ang nais na mga output. Ito ang pangunahing pagpapaandar ng isang neural network.

Pagkakaiba sa Pagitan ng Makina at Mga Neural Networks

Kahulugan

Ang pag-aaral ng machining ay tumutukoy sa mga algorithm na gumagamit ng mga diskarteng pang-istatistika na nagpapahintulot sa mga computer na matuto mula sa data at upang mapabuti ang pagganap sa isang tiyak na gawain. Ang isang neural network ay isang sistema na inspirasyon ng mga biological neuron sa utak ng tao na maaaring magsagawa ng mga gawain sa computing nang mas mabilis.

Mga algorithm

Ang pag-urong, pag-uuri, pag-cluster, suporta ng vector machine, mga random na kagubatan ay ilang mga algorithm sa pagkatuto ng makina. Ang mga neural network ay isa ring algorithm na nahuhulog sa ilalim ng pag-aaral ng makina.

Konklusyon

Ang pagkakaiba sa pagitan ng pag-aaral ng makina at mga neural network ay ang pag-aaral ng machine na tumutukoy sa pagbuo ng mga algorithm na maaaring pag-aralan at matuto mula sa data upang gumawa ng mga desisyon habang ang mga neural network ay isang pangkat ng mga algorithm sa pag-aaral ng makina na nagsasagawa ng mga pagkalkula na katulad ng mga neutron sa utak ng tao.

Sanggunian:

1. Ano ang Pag-aaral ng Makina? | Mga Batayan sa Pag-aaral ng Makina | Machine Learning Tutorial | Edureka !, 16 Marso 2018, Magagamit dito.

Kagandahang-loob ng Larawan:

1. “3161590” (CC0) sa pamamagitan ng Pixabay2. "Artipisyal na neural network" Ni en: Gumagamit: Cburnett - Sariling gawain Ang larawang ito ng vector ay nilikha kasama ang Inkscape (CC BY-SA 3.0) sa pamamagitan ng Commons Wikimedia