Deep Learning

Pembelajaran mendalam (juga dikenali sebagai pembelajaran berstruktur mendalam) ialah sebahagian daripada keluarga kaedah pembelajaran mesin yang lebih luas berdasarkan rangkaian saraf tiruan dengan pembelajaran perwakilan. Pembelajaran boleh diselia, separuh diselia atau tidak diselia.

Seni bina pembelajaran mendalam seperti rangkaian saraf dalam, rangkaian kepercayaan mendalam, pembelajaran pengukuhan mendalam, rangkaian saraf berulang dan rangkaian saraf konvolusi telah digunakan pada bidang termasuk penglihatan komputer, pengecaman pertuturan, pemprosesan bahasa semula jadi, terjemahan mesin, bioinformatik, reka bentuk ubat, perubatan analisis imej, sains iklim, pemeriksaan bahan dan program permainan papan, di mana ia telah menghasilkan keputusan yang setanding dan dalam beberapa kes mengatasi prestasi pakar manusia.

Rangkaian saraf tiruan (ANN) telah diilhamkan oleh pemprosesan maklumat dan nod komunikasi yang diedarkan dalam sistem biologi. ANN mempunyai pelbagai perbezaan daripada otak biologi. Secara khusus, rangkaian saraf tiruan cenderung statik dan simbolik, manakala otak biologi kebanyakan organisma hidup adalah dinamik (plastik) dan analog.

Kata adjektif "mendalam" dalam pembelajaran mendalam merujuk kepada penggunaan pelbagai lapisan dalam rangkaian. Kerja awal menunjukkan bahawa perceptron linear tidak boleh menjadi pengelas universal, tetapi rangkaian dengan fungsi pengaktifan bukan polinomial dengan satu lapisan tersembunyi dengan lebar tidak terhad boleh. Pembelajaran mendalam ialah variasi moden yang mementingkan bilangan lapisan tanpa sempadan saiz terhad, yang membenarkan aplikasi praktikal dan pelaksanaan yang dioptimumkan, sambil mengekalkan kesejagatan teori dalam keadaan sederhana. Dalam pembelajaran mendalam, lapisan juga dibenarkan untuk menjadi heterogen dan menyimpang secara meluas daripada model penyambung yang dimaklumkan secara biologi, demi kecekapan, kebolehlatihan dan kebolehfahaman, dari mana bahagian "berstruktur".