Qual é a diferença entre Deep learning e Machine learning? Quão semelhantes ou diferentes são?
Machine Learning e Deep Learning são dois subconjuntos de inteligência artificial (IA) que atraem ativamente a atenção há vários anos.
Fatos e estatísticas interessantes sobre Machine Learning e Deep Learning:
- O primeiro programa de IA “The Logic Theorist” foi criado em 1955 por Newell & Simon (Organização Mundial da Informação);
- Os pesquisadores prevêem que, até 2020, 85% do envolvimento do cliente não será humano (Gartner);
- O mercado de inteligência artificial ou aprendizado de máquina aumentará para US $ 5,05 bilhões até 2020 (Motley Fool);
Machine Learning e Deep Learning
Machine Learning
Machine Learning (ou aprendizado de máquina)
é um subconjunto de inteligência artificial associado à criação de algoritmos que podem ser alterados sem a intervenção humana para obter o resultado desejado – alimentando-se de dados estruturados.
Deep Learning
Deep Learning (ou aprendizagem profunda) é um subconjunto de aprendizado de máquina em que os algoritmos são criados e funcionam de maneira semelhante ao aprendizado de máquina, mas há muitos níveis desses algoritmos, cada um fornecendo uma interpretação diferente dos dados que ele transmite.
Essa rede de algoritmos é chamada de redes neurais artificiais.
Em palavras simples, assemelha-se às conexões neurais que existem no cérebro humano.
Exemplo: Você tem uma coleção de fotos de cães e gatos. Suponha que você precise identificar imagens de cães e gatos separadamente usando algoritmos de aprendizado de máquina e redes neurais de aprendizado profundo.
Como seria a solução usando Machine Learning
Para ajudar o algoritmo de aprendizado de máquina a classificar imagens em coleções de acordo com duas categorias (cão e gato), ele precisa apresentá-las primeiro. Mas como o algoritmo sabe qual é qual?
A resposta a esta pergunta é a disponibilidade de dados estruturados, conforme descrito acima na definição de aprendizado de máquina.
Você simplesmente marca as imagens de cães e gatos para determinar as características dos dois animais.
Esses dados serão suficientes para o treinamento de um algoritmo de aprendizado de máquina e, em seguida, ele continuará trabalhando com base no entendimento das marcações e classificando milhões de outras imagens de animais, com base no fato de ele ter estudado anteriormente.
Solução usando o Deep Learning
As redes neurais de aprendizado profundo usarão uma abordagem diferente para resolver esse problema.
A principal vantagem do aprendizado profundo é que ele não precisa necessariamente de dados de imagem estruturados / marcados para classificar dois animais.
Nesse caso, os dados de entrada (dados da imagem) são enviados por diferentes níveis de redes neurais, e cada rede determina hierarquicamente os recursos específicos das imagens.
É semelhante à maneira como nosso cérebro humano trabalha para resolver problemas – executando consultas por diferentes hierarquias de conceitos e perguntas relacionadas para encontrar a resposta.
Depois de processar os dados através de diferentes níveis de redes neurais, o sistema encontra identificadores apropriados para classificar os dois animais por suas imagens.
Portanto, neste exemplo, você pode ver que o algoritmo de aprendizado de máquina requer dados rotulados / estruturados para entender as diferenças entre imagens de gatos e cães, estudar a classificação e tirar uma conclusão.
Por outro lado, a rede de aprendizado profundo conseguiu classificar as imagens de ambos os animais a partir de dados processados nas camadas da rede.
Isso não exigia dados rotulados / estruturados, pois dependia de diferentes saídas processadas por cada camada, que foram combinadas para formar uma maneira única de classificar imagens.
Diferenças entre Machine Learning e Deep Learning
A principal diferença entre Machine Learning e Deep Learning é devido à maneira como os dados são apresentados no sistema.
Os algoritmos de Machine Learning quase sempre exigem dados estruturados, enquanto as redes de Deep Learning dependem de camadas de RNA (redes neurais artificiais).
Os algoritmos de Machine Learning são projetados para “aprender” a agir, entendendo os dados rotulados e, em seguida, usá-los para produzir novos resultados com mais conjuntos de dados. No entanto, quando o resultado está incorreto, é necessário “ensiná-los”.
As redes de Deep Learning não requerem intervenção humana, pois as camadas multiníveis das redes neurais colocam os dados em uma hierarquia de conceitos diferentes, que acabam aprendendo com seus próprios erros. No entanto, eles podem estar errados se a qualidade dos dados não for boa o suficiente.
Os dados decidem tudo. É a qualidade dos dados que determina a qualidade do resultado.
Vale a pena notar
Como os algoritmos de aprendizado de máquina exigem dados com marcadores, eles não são adequados para resolver consultas complexas que envolvem uma enorme quantidade de dados.
Embora neste caso tenhamos visto o uso do Deep Learning para resolver uma questão menor, o uso real das redes neurais do Deep Learning está em uma escala muito maior. De fato, dado o número de camadas, hierarquias e conceitos com os quais essas redes lidam, o Deep Learning é adequado apenas para a realização de cálculos complexos, não simples.
Ambos os subconjuntos da IA estão de alguma forma conectados aos dados, o que torna possível representar uma certa forma de “inteligência”.
No entanto, você deve estar ciente de que o aprendizado profundo exige muito mais dados do que um algoritmo tradicional de aprendizado de máquina.
A razão para isso é que as redes de aprendizado profundo podem identificar diferentes elementos nas camadas da rede neural apenas quando mais de um milhão de pontos de dados interagem.
Os algoritmos de aprendizado de máquina, por outro lado, são capazes de aprender por critérios pré-programados.
Devido ao crescimento de várias tecnologias, as empresas agora procuram empresas de consultoria em tecnologia para encontrar o que é melhor para seus negócios.
O desenvolvimento da inteligência artificial também gera crescimento em serviços de desenvolvimento de software, aplicativos de IoT e blockchain. Atualmente, os desenvolvedores de software estão explorando novas formas de programação que são mais propensas ao aprendizado profundo e ao aprendizado de máquina.
Sistema e Soluções de Cybersecurity como os EDR (Endpoint Detect and Response) e NGAV (Next Generation Antivirus) usam cada vez mais recursos de Machine Learning e Deep Learning em defesa de endpoints (dispositivos de TI como Notebooks, estações de trabalho, IoTs, etc), mitigação, e tomadas de ação baseadas em inteligência artificial, contra ataques de hackers, cibercriminosos, explorações de vulnerabilidades, ransomwares, ataques zero-day, e muito mais.
Fonte: https://parsers.me/deep-learning-machine-learning-whats-the-difference
A DANRESA Security and Network Solutions provê soluções de cibersegurança que utilizam recursos de Inteligência Artificial como Machine Learning e Deep Learning na defesa da infraestrutura de TI Corporativa
Fale com nossos consultores e engenheiros de cybersecurity para saber mais como podemos ajudar sua empresa a proteger a infraestrutura de TI corporativa com tecnologias e soluções inteligentes!
comercial@danresa.com.br | (11) 4452-6448
www.danresa.com.br
Chat Online neste site!
A DANRESA Security and Network Solutions é uma Consultoria de Segurança da Informação que se destaca por prover Soluções Completas em Segurança, Infraestrutura de Redes e Comunicação de TI, há 21 anos.
- Revenda Certificada Sophos.
- Atuação nos mercados Enterprise, Telcos e Data Centers.
- Projetos e cases de sucesso SD-WAN, Secure Access, Security Cloud, VoIP, Advanced Threat Protection e todos os componentes de Segurança da Sophos
- SNOC e Suporte Especializado 7x24x365, DevSecOps, Instalações em Massa, Equipe de Engenheiros, Analistas e Integradores Certificados, Metodologia de Projetos PMI.
- Parceira Oficial de Produtos e Soluções de Segurança de TI dos Fabricantes
| A Partner of |
|
0 comentário