Syväoppimisverkot

Syväoppimisverkot, eli syvät neuroverkot, ovat koneoppimisen menetelmä, joka perustuu keinotekoisiin hermoverkkoihin. Niiden keskeinen ominaisuus on useiden kerrosten käyttö, jotka mahdollistavat monimutkaisten piirteiden ja abstraktioiden oppimisen suoraan raakadatasta. Tämä erottaa ne perinteisemmistä koneoppimismenetelmistä, jotka usein vaativat manuaalista piirteiden suunnittelua.

Syväoppimisverkot koostuvat syöttökerroksesta, yhdestä tai useammasta piilotetusta kerroksesta ja tulostuskerroksesta. Jokainen kerros käsittelee edellisen kerroksen tuottamaa tietoa ja välittää sen eteenpäin. Kerrosten väliset yhteydet ovat painotettuja, ja oppimisprosessi koostuu näiden painojen säätämisestä siten, että verkko pystyy suorittamaan halutun tehtävän mahdollisimman tarkasti. Syväoppimisen "syvyys" viittaa juuri näiden piilotettujen kerrosten määrään.

Tällaisia verkkoja käytetään laajalti esimerkiksi kuvantunnistuksessa, luonnollisen kielen käsittelyssä, puheentunnistuksessa ja suosittelujärjestelmissä. Erityyppisiä syväoppimisverkkoja ovat muun muassa konvoluutioneuroverkot (CNN), rekurrentit neuroverkot (RNN) ja muuntajaverkot (Transformer). Menetelmien suorituskyky paranee usein datamäärän kasvaessa, mikä on johtanut merkittäviin edistysaskeliin monilla tekoälyn osa-alueilla viime vuosina.