syväoppimukseen

Syväoppiminen on koneoppimisen osa-alue, joka perustuu keinotekoisiin neuroverkkoihin, joissa on useita kerroksia. Nämä kerrokset mahdollistavat mallin oppia monimutkaisia representaatioita datasta hierarkkisesti. Jokainen kerros käsittelee tietoa ja välittää sen seuraavalle kerrokselle, jossa tietoa abstrahoidaan edelleen. Syväoppimisen mallit voivat oppia automaattisesti piirteitä datasta, toisin kuin perinteiset koneoppimismenetelmät, joissa piirteet on usein suunniteltava manuaalisesti.

Syväoppimisen sovellusalueita ovat muun muassa kuvan- ja puheentunnistus, luonnollisen kielen käsittely, suositusjärjestelmät ja autonomiset ajoneuvot. Esimerkiksi kuvantunnistuksessa syvä neuroverkko voi oppia tunnistamaan esineitä ja kuvioita kuvista ilman, että niille erikseen opetetaan, miltä esimerkiksi kissa näyttää. Puheentunnistuksessa se pystyy muuttamaan puhutun kielen tekstiksi.

Syväoppimisen merkittävin etu on sen kyky käsitellä suuria määriä monimutkaista dataa ja löytää siitä monimutkaisia malleja. Tämä on johtanut merkittäviin edistysaskeliin monilla tekoälyn aloilla viime vuosina. Syväoppimisen mallien kouluttaminen vaatii kuitenkin yleensä suuria määriä dataa ja merkittävää laskentatehoa.