Deep Learning

Głębokie uczenie (znane również jako głębokie uczenie strukturalne) jest częścią szerszej rodziny metod uczenia maszynowego opartych na sztucznych sieciach neuronowych z uczeniem reprezentacji. Nauka może być nadzorowana, częściowo nadzorowana lub nienadzorowana.

Architektury głębokiego uczenia, takie jak głębokie sieci neuronowe, sieci głębokich przekonań, głębokie uczenie ze wzmocnieniem, rekurencyjne sieci neuronowe i splotowe sieci neuronowe, zostały zastosowane w dziedzinach takich jak widzenie komputerowe, rozpoznawanie mowy, przetwarzanie języka naturalnego, tłumaczenie maszynowe, bioinformatyka, projektowanie leków, medycyna analizy obrazu, nauki o klimacie, kontroli materiałów i programów gier planszowych, w których przyniosły wyniki porównywalne, a w niektórych przypadkach przewyższające wydajność ludzkiego eksperta.

Sztuczne sieci neuronowe (ANN) zostały zainspirowane przetwarzaniem informacji i rozproszonymi węzłami komunikacyjnymi w systemach biologicznych. SSN mają różne różnice od mózgów biologicznych. W szczególności sztuczne sieci neuronowe są zwykle statyczne i symboliczne, podczas gdy biologiczny mózg większości żywych organizmów jest dynamiczny (plastyczny) i analogowy.

Przymiotnik „głęboki” w głębokim uczeniu odnosi się do korzystania z wielu warstw w sieci. Wczesne prace wykazały, że liniowy perceptron nie może być uniwersalnym klasyfikatorem, ale sieć z niewielomianową funkcją aktywacji z jedną ukrytą warstwą o nieograniczonej szerokości może. Głębokie uczenie to nowoczesna odmiana, która dotyczy nieograniczonej liczby warstw o ​​ograniczonym rozmiarze, co pozwala na praktyczne zastosowanie i zoptymalizowaną implementację, zachowując teoretyczną uniwersalność w łagodnych warunkach. W głębokim uczeniu warstwy mogą być również heterogeniczne i znacznie odbiegać od biologicznie poinformowanych modeli koneksjonistycznych, ze względu na wydajność, łatwość uczenia się i zrozumiałość, skąd pochodzi „ustrukturyzowana” część.