syväoppimisverkostot

Syväoppimisverkostot, tunnettu myös nimellä syvät neuroverkot, ovat tekoälyn ja koneoppimisen erikoistuneita malleja, jotka jäljittelevät ihmisaivojen rakennetta ja toimintaa. Ne koostuvat useista kerroksista, joista jokainen suorittaa tietynlaista laskentaa syöttötiedolle. Nämä kerrokset, jotka muodostavat syvyyden, mahdollistavat monimutkaisten kuvioiden ja abstraktioiden oppimisen suoraan raa'asta datasta.

Perinteisistä neuroverkoista syväoppimisverkostot eroavat merkittävästi kerrosten määrässä. Mitä enemmän kerroksia, sitä syvemmäksi verkostoa kutsutaan ja sitä monimutkaisempia tehtäviä se pystyy suorittamaan. Jokainen kerros oppii esittämään dataa yhä abstraktimmalla tasolla, aloittaen alimmilla tasoilla yksinkertaisista piirteistä ja edeten korkeammilla tasoilla monimutkaisiksi käsitteiksi.

Syväoppimisverkostoja käytetään laajasti monilla aloilla, kuten kuvantunnistuksessa, luonnollisen kielen käsittelyssä, puheentunnistuksessa ja suositusjärjestelmissä. Niiden kyky oppia automaattisesti piirteitä datasta on tehnyt niistä erittäin tehokkaita tehtävissä, joissa perinteiset menetelmät ovat olleet rajoittuneita. Tunnistettuja syväoppimisarkkitehtuureja ovat muun muassa konvoluutioneuroverkot (CNN) ja rekurrentit neuroverkot (RNN).