Deep Learning

Học sâu (còn được gọi là học có cấu trúc sâu) là một phần của họ các phương pháp học máy rộng hơn dựa trên mạng nơ-ron nhân tạo với học đại diện. Việc học có thể được giám sát, bán giám sát hoặc không giám sát.

Các kiến ​​trúc học sâu như mạng nơ-ron sâu, mạng niềm tin sâu, học tăng cường sâu, mạng nơ-ron lặp lại và mạng nơ-ron tích tụ đã được áp dụng cho các lĩnh vực bao gồm thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, dịch máy, tin sinh học, thiết kế thuốc, y tế phân tích hình ảnh, khoa học khí hậu, kiểm tra vật liệu và các chương trình trò chơi trên bàn cờ, nơi chúng đã tạo ra kết quả có thể so sánh được và trong một số trường hợp vượt qua hiệu suất của chuyên gia con người.

Mạng nơ-ron nhân tạo (ANN) được lấy cảm hứng từ quá trình xử lý thông tin và các nút giao tiếp phân tán trong các hệ thống sinh học. ANN có nhiều điểm khác biệt so với bộ não sinh học. Cụ thể, mạng lưới thần kinh nhân tạo có xu hướng tĩnh và tượng trưng, ​​trong khi bộ não sinh học của hầu hết các sinh vật sống là động (nhựa) và tương tự.

Tính từ "sâu" trong học sâu dùng để chỉ việc sử dụng nhiều lớp trong mạng. Nghiên cứu ban đầu cho thấy rằng một perceptron tuyến tính không thể là một bộ phân loại phổ quát, nhưng một mạng có chức năng kích hoạt phi đơn thức với một lớp ẩn có chiều rộng không giới hạn thì có thể. Học sâu là một biến thể hiện đại có liên quan đến số lượng lớp có kích thước giới hạn không giới hạn, cho phép ứng dụng thực tế và triển khai tối ưu hóa, trong khi vẫn giữ được tính phổ quát lý thuyết trong điều kiện nhẹ. Trong học tập sâu, các lớp cũng được phép không đồng nhất và sai lệch nhiều so với các mô hình kết nối được thông báo về mặt sinh học, vì lợi ích của hiệu quả, khả năng đào tạo và dễ hiểu, kể từ phần "có cấu trúc".