A gépi tanulás (machine learning) és a mélytanulás (deep learning) fogalma, a kettő közötti különbségek és hasonlóságok Gépi tanulás (Machine Learning) A gépi tanulás azt jelenti, hogy egy számítógép algoritmusok segítségével képes tanulni az adatokból anélkül, hogy explicit módon be lenne programozva minden lépés. Az algoritmusok statisztikai modellekre épülnek, és céljuk, hogy a bemeneti adatokból mintákat ismerjenek fel, és ezek alapján előrejelzéseket vagy döntéseket hozzanak. Egyszerűen fogalmazva: Mélytanulás (Deep Learning): A mélytanulás a gépi tanulás egy speciális ága, amely neurális hálókat használ, különösen mély (többrétegű) hálózatokat. A neurális hálók a biológiai agy működését modellezik, és képesek nagyon komplex mintázatok felismerésére. A mélytanulás egyik nagy előnye, hogy képes a nyers adatokból (például képek, szövegek) automatikusan kinyerni a fontos jellemzőket, azaz nem kell kézzel előre meghatározni azokat. Egyszerűen fogalmazva: Hasonlóságok: Különbségek: 1. Definíció és általánosítás: 2. Adatmennyiség igénye: 3. Modellek típusa: 4. Teljesítmény és számítási igény: 5. Fő alkalmazási területek: Összefoglalás: A mélytanulás a gépi tanulás egy speciális eszköztára, amely mély neurális hálókat használ a komplex minták felismerésére és tanulására. Ha egyszerűbb problémát kell megoldani kisebb adatmennyiséggel, a gépi tanulás lehet megfelelőbb. Ha nagy és komplex adatokat kell feldolgozni, akkor a mélytanulás lehet hatékonyabb. Gépi tanulás példa: Hitelbírálat egy banknálEgy bank gépi tanulási modellt alkalmaz annak eldöntésére, hogy egy ügyfél megkaphatja-e a hitelt. Mélytanulás példa: Arcfelismerés okostelefononEgy okostelefon mélytanulási modellt használ az arc azonosításához a készülék feloldásakor.