Wat is Machine Learning?

Machine learning is een subdomein binnen de artificiële intelligentie dat zich bezighoudt met computeralgoritmen die zichzelf kunnen verbeteren via trainingsdata zonder expliciete programmering. Het wordt algemeen beschouwd als de meest veelbelovende manier om echte mensachtige artificiële intelligentie te bereiken.

Machine learning-algoritmen kunnen grofweg in drie categorieën worden ingedeeld:

Begeleid leren: U verstrekt labels en presenteert voorbeeldinputs met hun gewenste outputs en laat het algoritme de regels leren die de inputs naar outputs in kaart brengen.
Onbegeleid leren: U verstrekt geen labels, dus het algoritme mag zijn eigen structuur vinden voor het verwerken van input (bijvoorbeeld het ontdekken van verborgen patronen in data).
Versterkend leren: Het algoritme werkt herhaaldelijk samen met een dynamische omgeving met een specifiek doel, zoals het winnen van een spel of het besturen van een auto. Het algoritme benadert de optimale oplossing voor het probleem door middel van herhaaldelijke trial and error.

In dit artikel geven we een kort overzicht van machine learning en deep learning, en de verschillen tussen de twee concepten.

Wat is deep learning?

Deep learning is een tak van machine learning die gebruik maakt van kunstmatige neurale netwerken om mensachtige intelligentie te benaderen. Geïnspireerd door menselijke neuronen, maakt deep learning gebruik van grafiektheorie om wegingsalgoritmen te ordenen in lagen van nodes en edges. Deep-learning algoritmes zijn geweldig in het verwerken van ongestructureerde data zoals beelden of taal.

Technisch gezien moet een neuraal netwerk, om als "diep" te worden geclassificeerd, verborgen lagen bevatten tussen de input- en outputlagen van een perceptron - de basisstructuur van een neuraal netwerk. Deze lagen worden als "verborgen " beschouwd omdat ze geen verbinding hebben met de buitenwereld. Voorbeelden van deep-learning-architecturen zijn onder andere:

Feed-forward (FF): De data gaat in één richting van de inputlaag door de verborgen lagen en uit de outputlaag - alle knooppunten zijn met elkaar verbonden en de data gaat nooit meer terug door de verborgen lagen. FF wordt gebruikt voor datacompressie en basisbeeldverwerking.
Recurrent neural networks (RNN): Een type FF-netwerk dat een tijdvertraging toevoegt aan de verborgen lagen waardoor toegang tot eerdere informatie tijdens een huidige iteratie mogelijk is. Deze feedbacklus benadert het geheugen en maakt RNN's zeer geschikt voor taalverwerking. Een goed voorbeeld hiervan is een voorspellende tekst die zich baseert op de woorden die u het vaakst gebruikt om de suggesties op maat te maken.
Convolutional neural networks (CNN): Een convolutie is een wiskundige bewerking op twee functies die een derde functie oplevert die beschrijft hoe de ene functie door de andere wordt gewijzigd. CNN's worden voornamelijk gebruikt voor beeldherkenning en -classificatie en zijn de "ogen" van AI. De verborgen lagen in een CNN fungeren als wiskundige filters met behulp van gewogen sommen om randen, kleur, contrast en andere elementen van een pixel te identificeren.

Machine Learning vs. Deep Learning

Deep learning wordt als een subgroep van machine learning gezien. De belangrijkste differentiator die deep learning-algoritmes onderscheidt van andere machine learning-algoritmes is het gebruik van kunstmatige neurale netwerken. En het belangrijkste kenmerk dat een neuraal netwerk "diep" maakt is de aanwezigheid van verborgen lagen tussen de input- en outputlagen die samen een basisperceptron vormen.

Voordelen van deep learning

Deep learning-algoritmes zijn geweldig in het verwerken van ongestructureerde data, mits je de verwerkingscapaciteit hebt om dit te doen. Dit geeft deep learning een voordeel ten opzichte van andere machine learning-algoritmes als het gaat om onbegeleid en versterkend leren. De recente vooruitgang op het gebied van AI is voor een groot deel te danken aan de toename van de levensvatbaarheid van neurale deep learning-netwerken dankzij verbeteringen in de verwerkingscapaciteit en de data-opslag.

Hoe Pure Storage de kracht achter Machine-learning-apps is

Pure Storage® is uniek gepositioneerd om de wereld van AI zowel te versterken als te ondersteunen. Deep learning neurale netwerken hebben data nodig die zowel groot als snel is. De all-flash-storage-oplossingen van Pure combineren de prestaties van 100% NVMe-flash-geheugen met AI-gedreven voorspellende analytics om een Moderne Data Experience™ te leveren. Met Pure kunt u:

Uw data-opslagsilo's consolideren tot een verenigd datahub
De tijd tot inzichten versnellen met real-time/loganalytics
De toekomst van AI-gedreven data storage-management ervaren met Pure1 Meta®
Uw AI-oplossingen voorzien van AIRI®, een full-stack, AI-ready infrastructuuroplossing van Pure Storage en NVIDIA.
Full-stack ondersteuning ontvangen voor AI en machine learning-lifecycles met FlashStack®, een geconvergeerde infrastructuuroplossing die is ontwikkeld in samenwerking met Cisco.