PyTorch - Apprentissage automatique contre apprentissage profond

Dans ce chapitre, nous discuterons de la différence majeure entre les concepts d'apprentissage automatique et d'apprentissage en profondeur.

Quantité de données

L'apprentissage automatique fonctionne avec différentes quantités de données et est principalement utilisé pour de petites quantités de données. Le Deep Learning, quant à lui, fonctionne efficacement si la quantité de données augmente rapidement. Le diagramme suivant illustre le fonctionnement de l'apprentissage automatique et de l'apprentissage en profondeur par rapport à la quantité de données -

Dépendances matérielles

Les algorithmes d'apprentissage en profondeur sont conçus pour dépendre fortement des machines haut de gamme contrairement aux algorithmes d'apprentissage automatique traditionnels. Les algorithmes d'apprentissage profond effectuent un grand nombre d'opérations de multiplication matricielle qui nécessitent un support matériel énorme.

Ingénierie des fonctionnalités

L'ingénierie des fonctionnalités est le processus consistant à intégrer la connaissance du domaine dans des fonctionnalités spécifiques afin de réduire la complexité des données et de créer des modèles visibles pour les algorithmes d'apprentissage.

Par exemple, les modèles d'apprentissage automatique traditionnels se concentrent sur les pixels et d'autres attributs nécessaires au processus d'ingénierie des fonctionnalités. Les algorithmes d'apprentissage en profondeur se concentrent sur les fonctionnalités de haut niveau à partir des données. Cela réduit la tâche de développement d'un nouvel extracteur de fonctionnalités pour chaque nouveau problème.