Deep Learning (DL) vs Machine Learning (ML): een vergelijkende gids

Of je nu een beginnende data scientist bent of gewoon geïnteresseerd in de laatste ontwikkelingen in artificial intelligence, je hebt vast termen als machine learning en deep learning gehoord. Maar wat betekenen ze nou echt? En wat zijn de verschillen? In deze post bekijken we machine learning vs. deep learning om de overeenkomsten, verschillen, use-cases en voordelen van deze twee cruciale disciplines te bepalen.

Wat is Artificial Intelligence?

We hebben een uitgebreide AI Quick-Start Guide for Beginners die dit onderwerp dieper uitwerkt. Als korte introductie: artificial intelligence (AI) is een tak van de informatica die tot doel heeft intelligente systemen te creëren die taken kunnen uitvoeren die doorgaans menselijke intelligentie vereisen. Denk aan zaken als het herkennen van natuurlijke taal, patronen herkennen en beslissingen nemen om complexe problemen op te lossen.

Je kunt AI zien als een set tools waarmee we computers intelligent kunnen laten handelen en taken kunnen automatiseren. Toepassingen van artificial intelligence zijn onder meer zelfrijdende auto’s, aanbevelingssystemen en spraakassistenten.

Zoals we zullen zien, zijn termen als machine learning en deep learning facetten van het bredere veld van machine learning. Bekijk ook onze aparte gids over artificial intelligence vs. machine learning voor een diepere blik op het onderwerp. 

Wat is Machine Learning?

Net als voor AI hebben we een aparte gids over wat machine learning is. Samengevat: machine learning (ML) is een manier om artificial intelligence te implementeren; het is feitelijk een gespecialiseerde tak binnen het brede veld van AI, dat op zijn beurt een tak van de informatica is.

Met machine learning kunnen we algoritmes ontwikkelen die kunnen leren zonder expliciet geprogrammeerd te zijn. Deze algoritmes omvatten:

• Decision trees
• Naive Bayes
• Random forest
• Support vector machine
• K-nearest neighbor
• K-means clustering
• Gaussian mixture model
• Hidden Markov model

Hoe leren computers dan automatisch?

De sleutel is data. Je levert data aan, gekenmerkt door verschillende attributen of features, die de algoritmes analyseren en begrijpen. Deze algoritmes creëren een beslissingsgrens op basis van de aangeleverde data, zodat ze voorspellingen of classificaties kunnen maken. Zodra het algoritme de data heeft verwerkt en begrepen—oftewel zichzelf heeft getraind—kun je doorgaan naar de testfase. Hier bied je nieuwe datapunten aan het algoritme, en het geeft je resultaten zonder verdere programmering. Voorbeeld:

Stel, je wilt huizenprijzen voorspellen. Je hebt een dataset met informatie over 1000 huizen, inclusief de prijs en het aantal kamers—dit zijn je features. Jouw taak is om deze features in te voeren in een algoritme, bijvoorbeeld een decision tree, zodat het de relatie leert tussen het aantal kamers en de prijs van het huis.

In dit scenario voer je het aantal kamers in, en het algoritme voorspelt de huizenprijs. Tijdens de testfase, als je bijvoorbeeld ‘drie’ invoert voor het aantal kamers, zou het algoritme de bijbehorende prijs nauwkeurig moeten voorspellen, nadat het in de trainingsdata de relatie tussen het aantal kamers en huizenprijzen heeft geleerd.

Wat is Deep Learning?

Deep learning is een subcategorie van machine learning die zich richt op het zo structureren van een leerproces voor computers dat ze patronen kunnen herkennen en beslissingen kunnen nemen, vergelijkbaar met hoe mensen dat doen. Als we een computer bijvoorbeeld leren om verschillende dieren te onderscheiden, beginnen we met eenvoudigere, basisconcepten zoals het aantal poten en introduceren we geleidelijk complexere concepten zoals leefgebieden en gedrag.

Binnen machine learning onderscheidt deep learning zich door het gebruik van neurale netwerken met drie of meer lagen. Deze meerlagige neurale netwerken proberen de leerpatronen van het menselijk brein na te bootsen, waardoor de computer enorme hoeveelheden data kan analyseren en ervan kan leren. Een netwerk met één laag kan rudimentaire voorspellingen doen, maar naarmate we meer lagen toevoegen, wordt het netwerk in staat om complexe patronen en relaties te begrijpen, wat de voorspellende nauwkeurigheid verbetert.

Deep learning is in wezen een soort geavanceerd, meerlagig filter. We voeren bovenaan ruwe, ongestructureerde data in, die door verschillende lagen van het neurale netwerk stroomt en op elk niveau wordt verfijnd en geanalyseerd. Uiteindelijk komt er onderaan een samenhangend, gestructureerd stukje informatie of een nauwkeurige ‘voorspelling’ uit.

Dit proces blinkt uit in het ontcijferen van data met meerdere abstractieniveaus, waardoor het onmisbaar is voor taken als beeld- en spraakherkenning, natural language processing en het ontwikkelen van spelstrategieën. Het vormt de ruggengraat van veel innovaties, van de virtuele assistenten op onze telefoons tot de ontwikkeling van autonome voertuigen.

Zoals je in de bovenstaande figuur kunt zien, heeft dit ondiepe neurale netwerk meerdere lagen:

• Inputlaag. Deze input kan uit pixels van een afbeelding bestaan of uit een reeks tijdreeksdata.
• Verborgen laag. Ook wel bekend als gewichten, die worden geleerd tijdens het trainen van het neurale netwerk
• Outputlaag. De laatste laag geeft je een voorspelling van de input die je aan je netwerk hebt gevoerd.

Het neurale netwerk is dus een benaderingsfunctie waarin het netwerk probeert de parameters (gewichten) in de verborgen lagen te leren die, vermenigvuldigd met de input, een voorspelde output geven die dicht bij de gewenste output ligt.

Deep learning is het stapelen van meerdere van zulke verborgen lagen tussen de input- en outputlaag—vandaar de naam deep learning.

Deep Learning vs Machine Learning: belangrijkste overeenkomsten en verschillen

Werking

Zoals we hebben vastgesteld, is deep learning een gespecialiseerde subset van machine learning die kunstmatige neurale netwerken met meerdere lagen inzet om data te analyseren en slimme beslissingen te nemen. Het gaat dieper in op data-analyse—vandaar de term "deep"—waardoor meer genuanceerde en geavanceerde inzichten mogelijk zijn. Daarentegen richt machine learning, dat deep learning omvat, zich op het ontwikkelen van algoritmes die kunnen leren van data en op basis daarvan voorspellingen of beslissingen kunnen nemen, met gebruik van uiteenlopende methoden, waaronder maar niet beperkt tot neurale netwerken.

Feature-extractie

Deep learning haalt zelfstandig betekenisvolle features uit ruwe data. Een “feature” is in deze context een individuele meetbare eigenschap of karakteristiek van het waargenomen fenomeen. Deep learning is niet afhankelijk van handmatig geprogrammeerde methoden voor feature-extractie, zoals local binary patterns of histograms of gradients, die vooraf gedefinieerde manieren zijn om ruwe data samen te vatten. In plaats daarvan leert het de meest bruikbare features voor de taak, te beginnen met eenvoudige en geleidelijk complexere representaties. Traditionele machine learning daarentegen leunt vaak op deze handgemaakte features en vereist zorgvuldige engineering om optimaal te presteren.

Databehoefte

Deep-learningmodellen zijn datahongerig; ze presteren beter met veel data. Daarentegen kunnen veel machine-learningalgoritmes ook met kleinere datasets bevredigende resultaten leveren. Dit is cruciaal om te overwegen bij het kiezen van een methode, zeker wanneer je te maken hebt met beperkte data.

Uit de bovenstaande figuur zie je dat, naarmate de hoeveelheid data toeneemt, de performance van deep-learningalgoritmes toeneemt vergeleken met traditionele machine learning, waarbij de performance na een tijdje vrijwel verzadigt, zelfs als er meer data bijkomt.

Rekenkracht

Deep learning vereist geavanceerde rekenkracht, doorgaans geleverd door Graphics Processing Units (GPU’s), vanwege de grote hoeveelheid data en de diepte (aantal lagen in neurale netwerken). Traditionele machine-learningalgoritmes kunnen vaak op standaard Central Processing Units (CPU’s) worden uitgevoerd, wat ze toegankelijker maakt voor beginners in data science.

Trainings- en inferentietijd

Het trainen van een deep-learningnetwerk kan langdurig zijn, mogelijk maanden. “Training” verwijst naar het proces waarin je het model leert om nauwkeurige voorspellingen te doen door het data te voeren. De “inferentietijd”, oftewel de tijd die het model na training nodig heeft om voorspellingen te maken, kan bij deep learning ook aanzienlijk zijn door de complexiteit van de modellen. Traditionele machine-learningalgoritmes hebben daarentegen meestal snellere trainingstijden en uiteenlopende inferentietijden.

Probleemoplossingstechniek

Bij machine learning bestaat het oplossen van een probleem uit het opsplitsen in delen en het toepassen van specifieke algoritmes op elk deel. Zo kan objectherkenning in een afbeelding eerst het vinden van objecten omvatten en daarna een algoritme om ze te identificeren. Bij deep learning leert het netwerk beide taken samen uit te voeren, wat zorgt voor een meer geïntegreerde en holistische oplossing.

Toepassingen in de industrie

Machine-learningalgoritmes worden breed ingezet in diverse sectoren vanwege hun uitlegbaarheid. De superieure prestaties van deep-learningmodellen bij bepaalde taken worden soms overschaduwd door hun “black box”-karakter, waardoor ze minder geschikt zijn in situaties waar modeluitlegbaarheid cruciaal is, zoals in de zorg of de financiële sector.

Output

Waar machine learning doorgaans outputs oplevert in de vorm van numerieke waarden, scores of classificaties, kan deep learning een breed scala aan outputs produceren, waaronder tekst en spraak, wat veelzijdigere oplossingen biedt in domeinen als natural language processing en spraakherkenning.

Machine Learning vs Deep Learning: optimale use-cases

Machine learning en deep learning vormen de ruggengraat van talloze toepassingen in uiteenlopende domeinen, elk met eigen eisen en uitdagingen. Hieronder een meer gedetailleerde verkenning van wanneer je welke inzet, geïllustreerd met voorbeelden:

1. Medische sector

• Use-case. Detectie van kankercellen, herstel van MRI-beelden van de hersenen en genprinting.
• Keuze. Zowel machine learning als deep learning.
• Reden. Machine learning is geschikt voor het analyseren van gestructureerde data en kan worden gebruikt voor voorspellende diagnostiek op basis van patiëntendossiers. Deep learning blinkt uit in beeld- en spraakherkenning en is daardoor ideaal voor het interpreteren van medische beelden en het analyseren van spraakpatronen van patiënten voor neurologische beoordelingen.

2. Documentanalyse

• Use-case. Super-resolutie van historische documentafbeeldingen en tekstsegmentatie in documentafbeeldingen.
• Keuze. Deep learning.
• Reden. Deep-learningmodellen, met name Convolutional Neural Networks (CNN’s), zijn zeer geschikt voor beelddata en kunnen complexe patronen en features in historische documenten extraheren, wat ze geschikt maakt voor taken als beeldsuperresolutie en tekstsegmentatie.

3. Bankwezen

• Use-case. Aandelenvoorspellingen en financiële besluitvorming.
• Keuze. Machine learning.
• Reden. Machine-learningmodellen, zoals regressiemodellen en decision trees, zijn effectief in het analyseren van numerieke, gestructureerde data, waardoor ze geschikt zijn voor het voorspellen van aandelenkoersen en het ondersteunen van financiële besluitvorming.

4. Natural Language Processing (NLP)

• Use-case. Aanbevelingssystemen (zoals die van Netflix om films voor te stellen op basis van interesses), sentimentanalyse en fototagging.
• Keuze. Zowel machine learning als deep learning.
• Reden. Machine learning is effectief voor het analyseren van gebruikersgedrag en -voorkeuren voor aanbevelingssystemen, terwijl deep learning krachtig is in het begrijpen en genereren van menselijke taal voor taken zoals sentimentanalyse.

5. Informatieopvraging

• Use-case. Zoekmachines, zowel tekst- als beeldzoekopdrachten zoals die van Google, Amazon, Facebook, LinkedIn, enz.
• Keuze. Zowel machine learning als deep learning.
• Reden. Machine-learningalgoritmes kunnen queries in zoekmachines efficiënt verwerken, terwijl deep-learningmodellen, met name CNN’s, bedreven zijn in beeldherkenning en -analyse, wat de beeldzoekmogelijkheden van zoekmachines verbetert.

Beslissingscriteria:

Wanneer je beslist tussen Machine Learning of Deep Learning, overweeg dan het volgende:

• Beschikbaarheid van data. Deep learning vereist grote hoeveelheden data; als je dataset klein is, is machine learning mogelijk geschikter.
• Rekenkracht. Deep-learningmodellen hebben veel rekenkracht nodig, meestal geleverd door GPU’s. Als middelen beperkt zijn, zijn machine-learningmodellen, die op CPU’s kunnen draaien, mogelijk haalbaarder.
• Taakcomplexiteit. Voor eenvoudigere taken en gestructureerde data volstaan machine-learningmodellen vaak. Voor complexere taken met ongestructureerde data zoals beelden of natuurlijke taal is deep learning geschikter.
• Uitlegbaarheid. In scenario’s waarin het begrijpen van het besluitvormingsproces van het model cruciaal is, hebben machine-learningmodellen een streepje voor op de “black box”-aard van deep-learningmodellen.

Door de sterke en zwakke punten van machine learning en deep learning in verschillende scenario’s te begrijpen, kunnen beginnende data scientists weloverwogen beslissingen nemen over de meest geschikte aanpak voor hun specifieke behoeften en beperkingen.

Conclusie

In deze gids hebben we de complexe landschappen van machine learning (ML) en deep learning (DL) verkend, twee cruciale subsets van artificial intelligence (AI). We hebben de basisconcepten, de onderscheidende kenmerken en de talloze toepassingen besproken die elk van deze velden in onze technologisch gedreven wereld heeft. Van het begrijpen van de nuances van algoritmes tot het onderscheiden van optimale use-cases in domeinen zoals geneeskunde en natural language processing: we hebben geprobeerd duidelijkheid en inzicht te bieden voor iedereen die de wereld van AI wil betreden.

Deze verkenning is slechts een glimp van de enorme en voortdurend evoluerende AI-wereld. De leer- en ontdekkingsreis is uitgebreid, met talloze nuances en facetten die wachten om ontdekt te worden. Voor wie dieper wil duiken en kennis wil uitbreiden, is ons Deep Learning in Python-skill track een zeer aanbevolen volgende stap.