Pytorch-machine-learning-vs-deep-learning

PyTorch-機械学習vs. 深層学習

この章では、機械学習とディープラーニングの概念の主な違いについて説明します。

データ量

機械学習はさまざまな量のデータで機能し、主に少量のデータに使用されます。 一方、データの量が急速に増加する場合、ディープラーニングは効率的に機能します。 次の図は、データ量に関する機械学習と深層学習の動作を示しています-

データ量

ハードウェアの依存関係

ディープラーニングアルゴリズムは、従来の機械学習アルゴリズムとは対照的に、ハイエンドマシンに大きく依存するように設計されています。 ディープラーニングアルゴリズムは、膨大なハードウェアサポートを必要とする大量の行列乗算演算を実行します。

機能エンジニアリング

機能エンジニアリングとは、データの複雑さを軽減し、学習アルゴリズムに見えるパターンを作成するために、特定の機能にドメイン知識を組み込むプロセスです。

たとえば、従来の機械学習パターンは、フィーチャエンジニアリングプロセスに必要なピクセルおよびその他の属性に焦点を当てています。 ディープラーニングアルゴリズムは、データからの高度な機能に焦点を当てています。 新しい問題ごとに新しい機能抽出ツールを開発するタスクが削減されます。