Il deep learning è supervisionato, non supervisionato o qualcos'altro?

Deep Learning si riferisce a una serie di Machine Learning che lavora sul principio della backpropagation (per essere semplicistici) per trovare il gradiente della perdita attraverso gli strati di neuroni.

Riferimento a questo video per una comprensione del Deep Learning.

Come Supervised e Unsupervised sono tipi di problemi nel Machine Learning. Entrambi differiscono essenzialmente su come si definisce l'errore di addestramento e quindi la perdita di addestramento (entrambi potrebbero essere diversi per molti modelli). Nel caso del supervisionato l'errore è per lo più una funzione di F(Predizione - Y), mentre nel non supervisionato può variare in base ai modelli che si sta cercando di trovare. In ogni caso, se c'è una funzione di perdita fattibile (e per lo più convessa) con differenziale noto, è possibile applicare la backpropagation.

Un esempio di questo potrebbe essere MLP-DNN usato per la classificazione o la regressione (supervisionato), e anche per auto-encoders (variazionale) (non supervisionato). I primi due casi sono entrambi coperti in profondità nel video qui sopra.

Questa è solo metà della storia. Si può anche applicare la DL con il Reinforcement Learning, che è di nuovo un tipo di problema diverso nel Machine Learning, ma diverso dal Supervised e Unsupervised.

Per una comprensione dettagliata della relazione tra Deep Learning e Supervised, Unsupervised, e Reinforcement Learning, fate riferimento a questo video.

Spero che questo abbia aiutato a fornire una comprensione strutturata delle differenze tra Supervised, Unsupervised, Reinforcement e Deep Learning.