基本的なスキルは常に優れており、優れた基礎が上部構造の品質と高さを決定します。
今日から深層学習の概念、数学的原理、コードなどの基礎について連載していきます。
まず、機械学習と深層学習の比較を見てみましょう。
「データと特徴は機械学習の上限を決定しますが、モデルとアルゴリズムはこの上限に近づくだけです。」 機械学習と深層学習の本質的な違いの 1 つは特徴エンジニアリングであり、特徴エンジニアリングは品質を決定する上で最も重要な要素です。最終結果の要因の 1 つは、上の図の一番上の説明は機械学習のプロセスです。コンピューターが入力情報が自動車であると理解した場合、人間は多くの特徴量エンジニアリング作業を行う必要があります。この物体の特徴的な情報を抽出して機械に渡す 認識して処理する 上の図の下の部分がディープラーニングの分野です ディープラーニングの分野で最も重要なことはデータの特徴を自動的に抽出して処理します。
機械学習と深層学習の 2 番目に大きな違いはデータ量です (もちろん、データの品質はある程度重要であり、このレッスンの範囲外です)。この 2 つで必要なデータ量は基本的に数倍または数倍です。何十回でも、100倍の関係。データの量により、ディープ ラーニングと機械学習に必要なコンピューティング能力は同じ桁ではありません。
では、ディープラーニングはどのようにして特徴抽出を実装するのでしょうか? これはにつながります