📌تفاوت ماشین لرنینگ و یادگیری عمیق از نظر رویکرد #یاداداشت_نخست ک 🔹معمولاً الگوریتم‌های ماشین لرنینگ، داده‌ها را به چند بخش تقسیم می‌کنند، سپس بخش‌های مناسب برای رسیدن به نتیجه و هدف موردنظر مسئله با یکدیگر ترکیب می‌شوند. اما سیستم‌های یادگیری عمیق کل مسئله یا سناریو را به صورت کلی و در یک مرحله بررسی می‌کنند. 🔹برای مثال، اگر مسئله‌ای وجود داشته باشد که هدف آن یافتن یک شی خاص در تصاویر مانند محل قرارگیری یک شی در تصویر یا تشخیص پلاک خودروها در پارکینگ باشد، با استفاده از الگوریتم‌های ماشین لرنینگ باید دو مرحله انجام شود. مرحله اول «شناسایی شی» (Object Detection) و مرحله دوم «تشخیص شیء» (Object Recognition) است. 🔹اما در برنامه‌هایی که از یادگیری عمیق استفاده می‌کنند، تصویر ورودی وارد مدل می‌شود و با آموزش‌های داده شده، برنامه هم شی شناسایی می‌شود و هم مکان آن را در یک تصویر و به عنوان یک خروجی نشان می‌دهد و این فرایند تنها در یک مرحله اتفاق می‌افتد. #ماشین_لرنینگ #یادگیری_عمیق پایگاه اندیشه حقوق عمومی و فضای مجازی 🆔 https://eitaa.com/joinchat/359333911Cd8a553d432

📌تفاوت ماشین لرنینگ و یادگیری عمیق در زمان پیاده سازی #یادداشت_دوم 🔹همان‌طور که انتظار می‌رود، به دلیل نیاز سیستم‌های یادگیری عمیق به مجموعه داده‌های بزرگ و از آنجا که این سیستم‌ها دارای پارامترها و معادلات ریاضی و محاسباتی زیادی هستند، زمان بیشتری برای آموزش مدل‌های آن‌ها نیاز است. 🔹اما ماشین لرنینگ زمان کمتری نسبت به یادگیری عمیق نیاز دارد و برنامه‌های آن می‌توانند در چند ثانیه یا نهایتاً چند ساعت آموزش ببینند. برنامه‌های یادگیری عمیق ممکن است حدود چند ساعت یا چندین هفته برای پیاده‌سازی، آموزش داده‌ها و ایجاد مدل‌ها نیاز به زمان داشته باشند. #ماشین_لرنینگ #یادگیری_عمیق پایگاه اندیشه حقوق عمومی و فضای مجازی 🆔 https://eitaa.com/joinchat/359333911Cd8a553d432