İki kavram çoğu zaman birbirinin yerine kullanılıyor ama aynı şey değiller. Aradaki farkı bilmek, hangi problemi hangi yöntemle çözeceğinizi belirler.
Makine öğrenmesi nedir?
Makine öğrenmesi, bilgisayarın kuralları tek tek yazmak yerine örneklerden öğrenmesidir. Geçmiş satış verisinden gelecek ayın talebini tahmin etmek ya da bir müşterinin aboneliğini iptal edip etmeyeceğini öngörmek tipik örneklerdir.
Regresyon, karar ağaçları ve Random Forest gibi yöntemler bu ailedendir. Tablo biçimindeki verilerde, görece az veriyle iyi sonuç verirler ve kararlarını açıklamak daha kolaydır.
Derin öğrenme nedir?
Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağlarını kullanan alt dalıdır. Görüntü, ses ve metin gibi yapısal olmayan verilerde öne çıkar. Bir fotoğraftaki nesneyi tanımak ya da bir metni başka dile çevirmek bu yöntemle yapılır.
Karşılığında daha fazla veri, daha güçlü donanım ve daha uzun eğitim süresi ister.
Hangisi ne zaman?
- Tablo verisi, sınırlı veri: Klasik makine öğrenmesi çoğu zaman yeterli ve daha hızlıdır
- Görüntü, ses, serbest metin: Derin öğrenme belirgin biçimde daha başarılıdır
- Kararın açıklanması gerekiyorsa: Basit modeller avantajlıdır
Nereden başlamalı?
Doğrudan sinir ağlarına atlamak cazip görünür ama sağlam yol şudur: önce Python ve veri analizi, sonra klasik makine öğrenmesi, ardından derin öğrenme. Bir modelin neden iyi ya da kötü çalıştığını anlamak için gereken kavramlar ilk iki adımda öğrenilir.