PyTorch: machine learning e deep learning

In questo capitolo, discuteremo la principale differenza tra i concetti di Machine e Deep learning.

Quantità di dati

L'apprendimento automatico funziona con diverse quantità di dati e viene utilizzato principalmente per piccole quantità di dati. Il deep learning, invece, funziona in modo efficiente se la quantità di dati aumenta rapidamente. Il diagramma seguente illustra il funzionamento del machine learning e del deep learning rispetto alla quantità di dati:

Dipendenze hardware

Gli algoritmi di deep learning sono progettati per dipendere fortemente da macchine di fascia alta, al contrario dei tradizionali algoritmi di machine learning. Gli algoritmi di deep learning eseguono una grande quantità di operazioni di moltiplicazione di matrici che richiedono un enorme supporto hardware.

Feature Engineering

L'ingegnerizzazione delle caratteristiche è il processo di inserimento della conoscenza del dominio in caratteristiche specifiche per ridurre la complessità dei dati e creare modelli visibili agli algoritmi di apprendimento.

Ad esempio, i modelli di apprendimento automatico tradizionali si concentrano sui pixel e su altri attributi necessari per il processo di progettazione delle funzionalità. Gli algoritmi di deep learning si concentrano su funzionalità di alto livello dai dati. Riduce il compito di sviluppare un nuovo estrattore di funzionalità per ogni nuovo problema.