ध्यान लगा के पढ़ना या सीखना

डीप लर्निंग (डीप स्ट्रक्चर्ड लर्निंग के रूप में भी जाना जाता है) प्रतिनिधित्व सीखने के साथ कृत्रिम तंत्रिका नेटवर्क पर आधारित मशीन लर्निंग विधियों के एक व्यापक परिवार का हिस्सा है। अधिगम पर्यवेक्षित, अर्ध-पर्यवेक्षित या अनुपयोगी हो सकता है।

डीप-लर्निंग आर्किटेक्चर जैसे डीप न्यूरल नेटवर्क, डीप विश्वास नेटवर्क, डीप रीइन्फोर्समेंट लर्निंग, आवर्तक न्यूरल नेटवर्क और कन्वेन्शनल न्यूरल नेटवर्क्स को कंप्यूटर विज़न, स्पीच रिकग्निशन, नेचुरल लैंग्वेज प्रोसेसिंग, मशीन ट्रांसलेशन, बायोइनफॉरमैटिक्स, ड्रग डिज़ाइन, मेडिकल सहित क्षेत्रों में लागू किया गया है। छवि विश्लेषण, जलवायु विज्ञान, सामग्री निरीक्षण और बोर्ड गेम कार्यक्रम, जहां उन्होंने मानव विशेषज्ञ प्रदर्शन को पार करने के लिए तुलनीय और कुछ मामलों में परिणाम उत्पन्न किए हैं।

कृत्रिम तंत्रिका नेटवर्क (एएनएन) सूचना प्रसंस्करण और जैविक प्रणालियों में वितरित संचार नोड्स से प्रेरित थे। एएनएन में जैविक दिमाग से विभिन्न अंतर हैं। विशेष रूप से, कृत्रिम तंत्रिका नेटवर्क स्थिर और प्रतीकात्मक होते हैं, जबकि अधिकांश जीवित जीवों का जैविक मस्तिष्क गतिशील (प्लास्टिक) और अनुरूप होता है।

डीप लर्निंग में विशेषण "डीप" नेटवर्क में कई परतों के उपयोग को संदर्भित करता है। प्रारंभिक कार्य से पता चला है कि एक रैखिक परसेप्ट्रोन एक सार्वभौमिक क्लासिफायरियर नहीं हो सकता है, लेकिन यह कि एक गैर-बहुपद सक्रियण फ़ंक्शन वाला एक नेटवर्क जिसमें असीमित चौड़ाई की एक छिपी हुई परत हो सकती है। डीप लर्निंग एक आधुनिक विविधता है जो सीमित आकार की परतों की एक असीमित संख्या से संबंधित है, जो हल्के परिस्थितियों में सैद्धांतिक सार्वभौमिकता को बनाए रखते हुए व्यावहारिक अनुप्रयोग और अनुकूलित कार्यान्वयन की अनुमति देता है। गहरी शिक्षा में परतों को विषम होने और जैविक रूप से सूचित कनेक्शनवादी मॉडल से व्यापक रूप से विचलन करने की अनुमति है, दक्षता, प्रशिक्षण और समझ के लिए, जहां से "संरचित" भाग है।