sügavõppimist

Sügavõppimine, tuntud ka kui süvaõpe või süvaneuronaalsed võrgud, on masinõppe alaliik, mis kasutab mitmekihilisi kunstlikke närvivõrke andmete töötlemiseks ja mustrite eraldamiseks. Need võrgud on inspireeritud inimajude struktuurist ja tööst ning koosnevad mitmest peidetud kihist, mis võimaldavad neil keerukaid abstraktioone õppida otse toorandmetest.

Sügavõppimise mudelid suudavad õppida hierarhilisi esindusi, kus iga kiht õpib järjest keerukamaid ja abstraktsemaid andmete tunnuseid. See tähendab, et sügavõppimine suudab automaatselt tuvastada ja esindada andmete struktuuri, ilma et oleks vaja käsitsi eelnevalt määratletud tunnuseid. See teeb selle eriti sobivaks ülesannete jaoks, kus andmete tunnuste määratlemine on keeruline, näiteks piltide, heli ja teksti töötlemisel.

Sügavõppimise rakendused on laialt levinud. Neid kasutatakse objektide tuvastamiseks piltides, kõne tekstiks muutmiseks, loomuliku keele mõistmiseks ja genereerimiseks, mängude mängimiseks nagu Go ja male, ning ka autonoomses sõitmises. Peamised sügavõppimise arhitektuurid hõlmavad konvolutsioonilisi närvivõrke (CNN) pilditöötluseks ja rekurrentseid närvivõrke (RNN) jadaandmete, nagu tekst ja kõne, töötlemiseks. Viimastel aastatel on transformeri arhitektuur muutunud populaarseks tänu selle tõhususele looduskeele töötlemise ülesannetes.