Syväoppimisen
Syväoppiminen on koneoppimisen ala, jossa malleja rakennetaan useista piilokerroksista koostuviksi neuroverkoiksi. Tällaiset syvät verkot voivat oppia esittäviä piirteitä suoraan raakadatasta ilman, että ihminen tarvitsee erikseen määritellä ominaisuuksia. Oppiminen tapahtuu virheenseurantaan perustuvalla painojen päivittämisellä, jolloin malli paranee mentäessä kohti oikeaa vastausta.
Koulutus perustuu suurten datamäärien ja laskentatehon hyödyntämiseen. Painojen arvot optimoidaan käyttämällä takaisinkytkentämenetelmää (backpropagation) ja stokastista gradientin
Tyypillisiä syväoppimisen arkkitehtuureja ovat konvoluutionaaliset neuroverkot (CNN) kuvan- ja videonkäsittelyssä sekä toistavat verkot (RNN, LSTM) aikadatan,
Sovelluksia ovat kuvan- ja videon analysointi, tekoälykieliset järjestelmät kuten käännös ja puheentunnistus, sekä suositus- ja hakutoiminnot.
Historian käänteet: varhaiset syvät verkot kehittyivät 2000-luvulla; merkittäviä edistysaskeleita olivat 2012 vuonna julkaistu AlexNet-verkko ja syväverkkojen
Haasteina ovat suurten datamäärien ja laskennan vaatima kustannus sekä ympäristövaikutukset, tulkittavuuden puute ja väärinkäyttömahdollisuudet. Lisäksi on