پرسشی که برای بسیاری از افراد مطرح می‌شود این است که تفاوت یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) چیست؟ در ادامه این مطلب به این پرسش پاسخ داده شده است.

یادگیری ماشین یک زیرمجموعه از هوش مصنوعی (Artificial Intelligence | AI) است که قابلیت یادگیری و بهبود را برای عامل بر اساس تجریبات و بدون آنکه عامل صراحتا برای آن برنامه‌نویسی شود فراهم می‌کند. یادگیری ماشین از داده‌ها برای آموزش دادن و پیدا کردن نتایج صحیح استفاده می‌کند. یادگیری ماشین روی توسعه برنامه‌های کامپیوتری متمرکز است که به داده‌ها دسترسی دارند و از آن‌ها برای یادگیری از خودشان استفاده می‌کنند.

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که برپایه شبکه‌های عصبی مصنوعی (Artificial Neural Networks) مطرح می‌شوند. الگوریتم‌های یادگیری عمیق دقیقا مانند الگوریتم‌های شبکه عصبی طراحی می‌شوند ولی شامل لایه‌های بیشتری هستند. در جدول زیر، یادگیری ماشین با یادگیری عمیق مقایسه شده است.

	یادگیری ماشین	یادگیری عمیق
۱	یادگیری ماشین فوق مجموعه یادگیری عمیق است.	یادگیری عمیق زیرمجموعه یادگیری ماشین است.
۲	داده‌هایی که در یادگیری ماشین ارائه می‌شوند در مقایسه با یادگیری عمیق کاملا متفاوت هستند، زیرا یادگیری عمیق از داده‌های ساختاریافته استفاده می‌کند.	ارائه داده‌هایی که در یادگیری عمیق مورد استفاده قرار می‌گیرد به طور کامل با شبکه‌های عصبی مصنوعی (ANN) متفاوت است.
۳	یادگیری ماشین در واقع تکامل هوش مصنوعی است.	یادگیری عمیق تکامل یادگیری ماشین است.
۴	در یادگیری ماشین با هزاران نقطه داده سر و کار دارند.	در یادگیری عمیق معمولا با کلان داده (Big Data) یا میلیون‌ها نقطه داده سر و کار دارند.
۵	خروجی: مقادیر عددی مانند دسته‌بندی امتیازها	خروجی: هر چیزی از مقادیر عددی گرفته تا عناصری مانند متن و صدا
۶	از الگوریتم‌های خودکار گوناگونی استفاده می‌کند که به توابع مدل مبدل می‌شوند و اقدامات بعدی را بر اساس داده‌ها پیش‌بینی می‌کنند.	از شبکه عصبی که داده‌ها را از طریق لایه‌های پردازش انتقال می‌دهند برای تفسیر ویژگی‌ها و ارتباطات داده‌ها استفاده می‌کنند.
۷	یادگیری ماشین به طور گسترده‌ای برای باقی ماندن در رقابت و یادگیری چیزهای جدید مورد استفاده قرار می‌گیرد.	یادگیری عمیق مسائل پیچیده یادگیری ماشین را حل می‌کند.

معرفی فیلم آموزش هوش مصنوعی فرادرس

مجموعه آموزش‌های هوش مصنوعی فرادرس شامل آموزش‌های متعدد و متنوع در حوزه هوش مصنوعی است. در حال حاضر، بیش از ۱۴۵۰۰ دقیقه آموزش در این مجموعه وجود دارد. برخی از عناوین آموزش‌های موجود در این مجموعه به همراه توضیحات اجمالی آن‌ها، در ادامه مطلب مشاغل با درآمد بالا و فرصت های شغلی متعدد در سال ۱۴۰۰ بیان شده‌اند.

• آموزش هوش مصنوعی – مقدماتی (زمان: ۴ ساعت و ۳۴ دقیقه، مدرس: دکتر محمد صبری): برای افرادی مناسب است که قصد یادگیری مباحث هوش مصنوعی را از پایه دارند. برای مشاهده آموزش هوش مصنوعی – مقدماتی + کلیک کنید.
• آموزش هوش مصنوعی – تکمیلی (زمان: ۱۸ ساعت و ۵۵ دقیقه، مدرس: منوچهر بابایی): برای افرادی مناسب است که دوره مقدماتی هوش مصنوعی را گذرانده‌اند و درصدد فراگیری مباحث پیشرفته‌تر و تکمیلی هوش مصنوعی هستند. برای مشاهده آموزش هوش مصنوعی – تکمیلی  + کلیک کنید.
• آموزش کاربردی شبکه‌های عصبی مصنوعی (زمان: ۸ ساعت و ۳۸ دقیقه، مدرس: دکتر اسماعیل آتشپز گرگری): برای افرادی مناسب است که با مفاهیم پایه هوش مصنوعی آشنایی و قصد یادگیری شبکه‌های عصبی را به طور کامل دارند. برای مشاهده آموزش کاربردی شبکه‌های عصبی مصنوعی + کلیک کنید.
• آموزش شبکه‌های عصبی مصنوعی در متلب (زمان: ۲۸ ساعت و ۲ دقیقه، مدرس: دکتر سید مصطفی کلامی هریس): برای افرادی مناسب است که با مفاهیم پایه هوش مصنوعی و برنامه‌نویسی متلب آشنایی دارند و درصدد فراگیری هوش مصنوعی در متلب هستند. برای مشاهده آموزش شبکه‌های عصبی مصنوعی در متلب + کلیک کنید.
• آموزش مبانی یادگیری عمیق (Deep Learning) (زمان: ۲ ساعت و ۵۵ دقیقه، مدرس: سعید محققی): برای علاقه‌مندان به فراگیری مباحث یادگیری عمیق از پایه مناسب است و فرد پیش از مشاهده این آموزش باید با مبانی هوش مصنوعی و یادگیری ماشین آشنایی داشته باشد. برای مشاهده آموزش مبانی یادگیری عمیق (Deep Learning) + کلیک کنید.
• آموزش برنامه‌نویسی یادگیری عمیق با پایتون (TensorFlow و Keras) (زمان: ۲ ساعت و ۵۷ دقیقه، مدرس: سعید محققی): برای علاقه‌مندان به فراگیری روش پیاده‌سازی یادگیری عمیق در پایتون مناسب است. برای مشاهده آموزش برنامه‌نویسی یادگیری عمیق با پایتون (TensorFlow و Keras) + کلیک کنید.
• آموزش یادگیری عمیق – شبکه‌های GAN با پایتون (زمان: ۵ ساعت و ۶ دقیقه، مدرس: دکتر عادل قاضی‌خانی): این آموزش برای افرادی مناسب است که با مفاهیم پایه هوش مصنوعی، شبکه‌های عصبی و زبان برنامه‌نویسی پایتون آشنایی و قصد یادگیری شبکه‌های عصبی عمیق و به طور خاص، شبکه‌های مولد تخاصمی را دارند. برای مشاهده آموزش یادگیری عمیق – شبکه‌های GAN با پایتون + کلیک کنید.
• آموزش سیستم‌های فازی در متلب (زمان: ۲۰ ساعت و ۳۹ دقیقه، مدرس: دکتر سید مصطفی کلامی هریس): برای افرادی مناسب است که با مفاهیم اولیه هوش مصنوعی و برنامه‌نویسی متلب آشنایی دارند و درصدد یادگیری سیستم‌های فازی و پیاده‌سازی آن در مطلب هستند. برای مشاهده آموزش سیستم‌های فازی در متلب + کلیک کنید.
• آموزش مبانی محاسبات تکاملی و بهینه‌سازی هوشمند (زمان: ۶ ساعت و ۱۲ دقیقه، مدرس: دکتر سید مصطفی کلامی هریس): این آموزش، در واقع درس شماره صفر همه دروس و مباحث بهینه‌سازی است و کلیه افرادی که قصد یادگیری مفاهیم و مباحث بهینه‌سازی یا یک الگوریتم خاص بهینه‌سازی را دارند، باید ابتدا این آموزش را مشاهده کنند. برای مشاهده آموزش مبانی محاسبات تکاملی و بهینه‌سازی هوشمند + کلیک کنید.
• آموزش بهینه‌سازی چند هدفه در متلب (زمان: ۱۸ ساعت و ۵۳ دقیقه، مدرس: دکتر سید مصطفی کلامی هریس): برای افرادی مناسب است که با زبان برنامه‌نویسی متلب آشنایی مقدماتی دارند. برای مشاهده آموزش بهینه‌سازی چند هدفه در متلب + کلیک کنید.
• آموزش تئوری و عملی الگوریتم ژنتیک (زمان: ۱۴ ساعت و ۲۳ دقیقه، مدرس: دکتر سید مصطفی کلامی هریس): برای افرادی مناسب است که درصدد فراگیری الگوریتم تکاملی ژنتیک به طور کامل هستند. برای مشاهده آموزش تئوری و عملی الگوریتم ژنتیک + کلیک کنید.
• آموزش طراحی خزشگر وب (Web Crawler) با پایتون (زمان: ۱۳ ساعت و ۴ دقیقه، مدرس: محمد آذری جعفری): برای افرادی مناسب است که با برنامه‌نویسی پایتون آشنایی دارند و درصدد گردآوری داده‌های وب با پایتون هستند. برای مشاهده آموزش طراحی خزشگر وب (Web Crawler) با پایتون + کلیک کنید.

منبع [+]