يُعدّ التعلم الآلي (Machine learning) فرعاً من فروع الذّكاء الاصطناعيّ (Artificial Intelligence)، يركّز على تطوير الخوارزميّات والنّماذج الإحصائيّة لكي تتمكّن أنظمة الحاسوب من التّعلّم والتّوصّل إلى التّوقعات أو القرارات دون تعليمات برمجيّة واضحة، حيث يتضمّن تدريب الخوارزميّات على مجموعة كبيرة من البيانات لتحديد الأنماط والعلاقات، ومن ثمّ استخدام هذه الأنماط لإصدار التّنبؤات أو القرارات حول البيانات الجديدة.
أمّا من النّاحية الأخرى، فيعدّ التعلم العميق (Deep Learning) فرعاً من فروع التّعلّم الآليّ مستخدِماً شبكات عصبيّة مكوَّنة من طبقات متعدّدة لتحليل الأنماط المعقّدة والعلاقات في البيانات، فهو مستوحى من بنية ووظائف المخّ البشريّ، وقد نجح في العديد من المهام مثل: تمييز الصّور ومعالجة اللّغات الطّبيعيّة والتّعرف على الكلام.
تُدرَّب نماذج التعلم العميق باستخدام كمّيات كبيرة من البيانات والخوارزميات القادرة على التّعلّم والتّحسّن بمرور الوقت، وكلّما عالجت المزيد من البيانات أصبحت أكثر دقّة؛ وهذا ما يجعلها مناسبة تماماً للمشاكل الواقعيّة المعقّدة، و بذلك تستطيع النّماذج التّعلّم والتّكيّف مع الأوضاع الجديدة.
يتمتّع التعلم الآلي والتّعلّم العميق كلاهما بالقدرة على تحويل نطاق واسع من الصّناعات بما في ذلك الرّعاية الصّحية والتّمويل وتجارة التّجزئة والنّقل من خلال توفير رؤى وأتمتة أساليب اتّخاذ القرار.
التّعلّم الآليّ (Machine Learning):
هو فرع وتطبيق للذّكاء الاصطناعيّ (AI) يوفّر قابليّة للنّظام على التّعلّم والتّحسّن من خلال التّجربة دون الحاجة إلى برمجته إلى هذا المستوى.
يستخدِم التّعلّم الآليّ معطياتٍ للتّدريب والعثور على نتائج دقيقة ، ويركّز على تطوير برنامج حاسوبيّ يصل إلى البيانات حتّى يستخدمَها في التّعلّم بنفسه.
التّعلّم العميق (Deep Learning):
هو فرع من التّعلّم الآليّ، حيث يشكّل ارتباطاً بين الشّبكة العصبيّة الاصطناعيّة (Artificial Neural Network (ANN)) والشّبكة العصبيّة المتكرّرة (Recurrent Neural Network (RNN))، وتكون عمليّة إنشاء الخوارزميّات في التّعلّم العميق مطابقة تماماً لعمليّة إنشاء الخوارزميّات في التّعلّم الآليّ، ولكنّها تتكوّن من العديد من المستويات الإضافيّة من الخوارزميّات، وتدعى كلّ هذه الشّبكات مجتمعةً مع بعضها الشّبكةَ العصبيّة الاصطناعيّة، وبعبارات أبسط بكثير يمكن القول أنّها تشبه الدّماغ البشريّ تماماً لأنّ كلّ الشّبكات العصبيّة متّصلة بالدّماغ، وهذا بالضّبط مفهوم التّعلّم العميق حيث أنّه يحلّ المشاكل المعقدة كلّها بمساعدة الخوارزميّات وعمليّاتها.
والآن دعونا ننظر إلى الفروقات بين التّعلّم الآليّ والتّعلّم العميق من خلال الجدول الآتي:
| التّرتيب | التّعلّم الآليّ | التّعلّم العميق |
| 1 | يُعرَّف التّعلّم الآليّ بأنّه مجموعة متضمّنة للتّعلّم العميق. | يُعرَّف التّعلّم العميق بأنّه مجموعة فرعيّة من التّعلّم الآليّ. |
| 2 | تختلف البيانات الممثّلة في التّعلّم الآليّ تماماً مقارنةً بالتّعلّم العميق لأنّها تستخدم بيانات منظّمة. | يُستخدم تمثيل البيانات في التّعلّم العميق بشكل مختلف تماماً لأنّه يستخدم الشّبكات العصبيّة (ANN). |
| 3 | تطوّر التّعلّم الآليّ من الذّكاء الاصطناعيّ. | تطوّر التّعلّم العميق من التّعلّم الآليّ فهو في الأساس يعبّر عن مدى عمق التّعلّم الآليّ. |
| 4 | يستخدم التّعلّم الآليّ الآلاف من نقاط البيانات. | البيانات الضّخمة: يستخدم ملايين نقاط البيانات. |
| 5 | المخرجات: عادة مـا يكون الخرج قيمة رقميّة مثل درجة أو تصنيف. | أيّ شيء من القيم الرقميّة بالإضافة إلى عناصر بأيّ صيغة مثل نصّ أو صوت. |
| 6 | يستخدم أنواعاً مختلفة من الخوارزميّات الآليّة الّتي تتحوّل إلى وظائف نموذجيّة بالإضافة إلى إجراء تنبّؤات بالعمليّات المستقبليّة بناءً على البيانات. | يستخدم شبكة ANN لتمرير البيانات عبر معالجة طبقات متعدّدة لتفسير ميّزات البيانات والعلاقات. |
| 7 | يقوم محلّلو البيانات باكتشاف الخوارزميّات لفحص متغيّرات محدّدة في مجموعات البيانات. | تعتمد الخوارزميّات بشكل كبير على الوصف الذّاتيّ في تحليل البيانات بمجرّد وضعها في الإنتاج. |
| 8 | يُستخدم التّعلّم الآليّ بشكل كبير لتحقيق أداء ممتاز وتعلّمِ أمورٍ جديدةٍ. | يعمل التّعلم العميق على حلّ المشكلات المعقّدة المتعلّقة بالتّعلّم الآليّ. |
| 9 | يمكن إجراء التّدريب باستخدام وحدة المعالجة المركزيّة (CPU). | يلزم توفّر وحدة معالجة رسومات (GPU) مخصّصة للتّدريب. |
| 10 | يتطلّب الأمر تدخّلاً بشريا ًمن أجل الحصول على النّتائج. | يتطلّب التّعلّم العميق تدخّلاً أقل بمجرّد تشغيل البرنامج على الرّغم من صعوبة إعداده. |
| 11 | يمكن إعداد أنظمة التّعلّم الآليّ وتشغيلها بسرعة ولكن قد تكون فعاليّتها مقيّدة. | تتطلّب وقتاً إضافيّاً للإعداد إلّا أنّ خوارزميّات التّعلّم العميق يمكن أن تؤدي إلى نتائج فوريّة (على الرّغم من أنّه من المرجَّح أن تتحسّن الجودة مع مرور الوقت مع توفّر المزيد من البيانات). |
| 12 | يستغرق نموذجها وقتاً أقل في التّدريب نظراً لصغر حجمه. | يستغرق الأمر وقتاً طويلاً لأنّها تتضمّن عدداً ضخماً جداً من نقاط البيانات. |
| 13 | يقوم المستخدمون بتحديد الميّزات بدقّة. | ليست هناك حاجة إلى تحديد الميّزات لأنّ الشّبكات العصبيّة تكتشف تلقائياً الميّزات المهمّة. |
| 14 | تكون تطبيقات التّعلّم الآليّ أبسط مقارنة بالتّعلّم العميق ويمكن تنفيذها على أجهزة الكمبيوتر القياسيّة. | تستخدم أنظمة التّعلّم العميق معدّات وموارد أقوى بكثير. |
| 15 | من السّهل تفسير نتائج الأنظمة في التّعلّم الآليّ. | من الصّعب تفسير النّتائج في التّعلّم العميق. |
| 16 | يمكن استخدام نماذج التّعلّم الآليّ لحلّ المسائل البسيطة أو الصّعبة بعض الشّيء. | تكون نماذج التّعلّم العميق مناسبة لحلّ المسائل الصّعبة. |
| 17 | تستخدم البنوك ومكاتب الأطباء وصناديق البريد التّعلّم الآليّ. | تتيح تقنيّة التّعلّم العميق خوارزميّات متطوّرة ومستقلّة مثل السّيارات ذاتيّة القيادة أو الروبوتات الجراحيّة. |
| 18 | يتضمّن التّعلّم الآليّ تدريب الخوارزميّات لتحديد الأنماط والعلاقات في البيانات. | يستخدم التّعلّم العميق طبقات عديدة من الشّبكات العصبيّة المعقّدة لتحليل الأنماط والعلاقات الأكثر تعقيداً. |
| 19 | يمكن أن تتراوح خوارزميّات التّعلّم الآليّ من النماذج الخطّية البسيطة إلى النّماذج الأكثر تعقيداً مثل أشجار القرار والغابات العشوائيّة. | تعتمد خوارزميّات التّعلّم العميق على شبكات عصبيّة اصطناعيّة تتكوّن من طبقات وعقد متعدّدة. |
| 20 | تتطلّب خوارزميّات التّعلّم الآليّ عادةً بيانات أقلّ من خوارزميّات التّعلّم العميق مع مراعاة أنّ جودة البيانات أكثر أهمّية. | تتطلّب خوارزميّات التّعلّم العميق كميات كبيرة من البيانات لتدريب الشّبكات العصبيّة ولكن يمكنها التّعلّم والتّحسين بمفردها أثناء معالجة المزيد من البيانات. |
| 21 | يُستخدم التّعلّم الآليّ لمجموعة واسعة من التّطبيقات مثل تحليل الانحدار والتّصنيف والتّجميع. | يُستخدم التّعلّم العميق في الغالب للمهام المعقّدة مثل التّعرف على الصّورة والكلام ومعالجة اللّغة الطّبيعيّة والأنظمة المستقلّة. |
| 22 | يمكن استخدام خوارزميّات التّعلّم الآليّ للمهام المعقدة ولكن قد يكون تدريبها أكثر صعوبة وقد يتطلّب المزيد من الموارد الحسابيّة. | خوارزميّات التّعلّم العميق أكثر دقّة من خوارزميّات التّعلّم الآليّ. |
المصدر: هنا.
ترجمة: رانيا دالاتي ، مراجعة وتصميم: علي العلي ، تدقيق لغوي: غزل روميه، ، تحرير: نور شريفة.
