يعد التعلم العميق والتعلم المعزز مجالين فرعيين من التعلم الآلي اللذان حظيا باهتمام كبير ونجاح في السنوات الأخيرة. في حين أنهما تشتركان في بعض أوجه التشابه ، هناك اختلافات جوهرية بين النهجين. في هذه المقالة ، سوف نستكشف الخصائص والاختلافات الرئيسية للتعلم العميق والتعلم المعزز.
التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يركز على النمذجة وتعلم التمثيلات الهرمية للبيانات باستخدام الشبكات العصبية الاصطناعية (ANNs). الشبكات العصبية الاصطناعية مستوحاة من بنية ووظيفة الدماغ البشري ، والتي تتكون من العقد المترابطة (الخلايا العصبية) التي تعالج المعلومات وتنقلها. تم تصميم بنيات التعلم العميق لتعلم واستخراج الميزات المعقدة من بيانات الإدخال الخام باستخدام طبقات متعددة من الخلايا العصبية المترابطة.
التعلم المعزز ، من ناحية أخرى ، هو نوع من التعلم الآلي الذي يهتم باتخاذ القرار والتحكم. إنه ينطوي على عامل يتفاعل مع بيئة ويتعلم اتخاذ الإجراءات التي تزيد من إشارة المكافأة التراكمية. يتعلم الوكيل من خلال التجربة والخطأ ، ويتلقى التعليقات في شكل مكافآت أو عقوبات بناءً على أفعاله ، ويهدف إلى إيجاد سياسة مثلى تؤدي إلى أعلى مكافأة تراكمية.
الآن دعنا نتعمق في الاختلافات المحددة بين التعلم العميق والتعلم المعزز:
نموذج التعلم:
يعمل التعلم العميق في إطار نموذج تعلم خاضع للإشراف ، حيث يتم استخدام مجموعة بيانات معنونة لتدريب نموذج لتعيين المدخلات إلى المخرجات. يتم تدريب النموذج لتقليل التناقض بين تنبؤاته وتسميات الحقيقة الأساسية. في المقابل ، يعمل التعلم المعزز في ظل نموذج تعلم غير خاضع للإشراف. يتعلم الوكيل من خلال استكشاف البيئة والتفاعل معها ، وتلقي المكافآت أو العقوبات على أفعاله. الهدف هو تعظيم المكافأة التراكمية طويلة الأجل ، بدلاً من مطابقة أزواج المدخلات والمخرجات المحددة.
توافر البيانات:
غالبًا ما يتطلب التعلم العميق كمية كبيرة من البيانات المصنفة لتدريب النماذج الدقيقة. يعتمد التعلم العميق الخاضع للإشراف عادةً على مجموعات البيانات التي تحمل علامات بشرية ، والتي يمكن أن تستغرق وقتًا طويلاً ومكلفة للحصول عليها. من ناحية أخرى ، لا يتطلب التعلم المعزز بالضرورة بيانات مصنفة. يتعلم الوكيل من تفاعلاته مع البيئة ، والتي يمكن محاكاتها أو الحصول عليها من خلال التجربة والخطأ في العالم الحقيقي.
اقرأ أيضا: ما هو الفرق بين التعلم الآلي والتعلم العميق؟
إشارة ردود الفعل:
يعتمد التعلم العميق على الملاحظات الواضحة في شكل بيانات مصنفة. يتم تدريب النموذج لتقليل دالة الخسارة المحددة مسبقًا التي تحدد التناقض بين القيم المتوقعة والقيم الحقيقية. في التعلم المعزز ، غالبًا ما تتأخر إشارة التغذية الراجعة وتتناثر. لا يتلقى الوكيل مكافآت أو غرامات إلا بعد اتخاذ إجراءات معينة ، مما يجعل من الصعب تعيين الائتمان لإجراءات محددة أو خطوات زمنية.
هدف:
يستخدم التعلم العميق بشكل أساسي للتعرف على الأنماط واستخراج الميزات وتعيين المدخلات إلى المخرجات. يتفوق في مهام مثل تصنيف الصور والتعرف على الكلام ومعالجة اللغة الطبيعية. من ناحية أخرى ، يركز التعلم المعزز على تعلم سياسات صنع القرار المثلى. إنه مناسب بشكل خاص للمشكلات التي يحتاج فيها الوكيل إلى التفاعل مع بيئة والتعلم من التجربة واتخاذ قرارات متسلسلة ، مثل ممارسة الألعاب أو التحكم في الروبوتات.
عملية التدريب:
يتضمن التعلم العميق عادة عملية من مرحلتين: التمرير الأمامي والممر الخلفي. أثناء التمرير الأمامي ، يتم إدخال بيانات الإدخال في النموذج ، ويتم حساب الإخراج. في التمرير الخلفي ، يتم تحديث معلمات النموذج باستخدام طرق التحسين القائمة على التدرج ، مثل backpropagation ، لتقليل وظيفة الخسارة. يتضمن التعلم المعزز عملية تكرارية للتفاعل مع البيئة ، واختيار الإجراءات على أساس السياسة ، وتحديث السياسة على أساس المكافآت المرصودة. غالبًا ما يتم توجيه هذه العملية بواسطة خوارزميات مثل Q-Learning أو تدرجات السياسة.
الاستكشاف مقابل الاستغلال:
في التعلم المعزز ، يحتاج الوكيل إلى تحقيق توازن بين الاستكشاف والاستغلال. يتضمن الاستكشاف تجربة إجراءات مختلفة لاكتشاف استراتيجيات جديدة وربما أفضل ، بينما يتضمن الاستغلال الاستفادة من المعرفة الحالية لتعظيم المكافآت. ومع ذلك ، فإن التعلم العميق لا يتعامل بشكل صريح مع مقايضة الاستكشاف والاستغلال. بدلاً من ذلك ، يركز على تعيين المدخلات إلى المخرجات بناءً على بيانات التدريب المقدمة.
تمثيل الدولة:
في التعلم العميق ، يتم تمثيل بيانات الإدخال عادةً كميزات أولية أو مُعالجة مسبقًا ، مثل الصور أو النص أو القيم الرقمية. تتعلم نماذج التعلم العميق استخراج الميزات ذات الصلة من بيانات الإدخال لعمل تنبؤات أو تصنيفات. في التعلم المعزز ، غالبًا ما يتم تمثيل حالة البيئة كمتجه أو مجموعة من المتغيرات التي تلتقط الجوانب ذات الصلة من البيئة في وقت معين. يتعلم الوكيل تحديد الإجراءات بناءً على تمثيلات الحالة هذه.
الديناميات الزمنية:
نماذج التعلم العميق ، مثل الشبكات العصبية التلافيفية (CNN) أو الشبكات العصبية المتكررة (RNN) ، قادرة على التعامل مع البيانات المتسلسلة والتقاط التبعيات الزمنية داخل البيانات. ومع ذلك ، فهي لا تمثل بشكل صريح الديناميكيات الزمنية أو عمليات صنع القرار المتسلسلة الموجودة في التعلم المعزز. خوارزميات التعلم المعزز ، مثل عمليات قرار ماركوف (MDPs) أو MDPs التي يمكن ملاحظتها جزئيًا (POMDPs) ، نموذجًا واضحًا للديناميات الزمنية للتفاعل بين العامل والبيئة.
في الختام ، في حين أن كل من التعلم العميق والتعلم المعزز هما حقلين فرعيين من التعلم الآلي ، إلا أنهما يختلفان في نماذج التعلم ، ومتطلبات البيانات ، وإشارات التغذية الراجعة ، والأهداف ، وعمليات التدريب. يركز التعلم العميق على تعيين المدخلات إلى المخرجات ، وذلك باستخدام التعلم الخاضع للإشراف ومجموعات البيانات ذات العلامات الكبيرة في المقام الأول. من ناحية أخرى ، يركز التعلم المعزز على تعلم السياسات المثلى من خلال التجربة والخطأ في بيئة تفاعلية. يعد فهم هذه الاختلافات أمرًا بالغ الأهمية لاختيار النهج المناسب لمجالات وتطبيقات المشكلات المختلفة.
اقرأ أيضا: التعلم الآلي مقابل التعلم العميق