Definicja: Głębokie uczenie się

Głębokie uczenie się to technika uczenia maszynowego, która buduje sztuczne sieci neuronowe naśladujące strukturę i funkcję ludzkiego mózgu. W praktyce głębokie uczenie się, znane również jako głębokie uczenie strukturalne lub uczenie się hierarchiczne, wykorzystuje dużą liczbę ukrytych warstw – zwykle więcej niż 6, ale często znacznie więcej – przetwarzania nieliniowego w celu wyodrębnienia cech z danych i przekształcenia danych na różne poziomy abstrakcji (reprezentacje).

Załóżmy na przykład, że dane wejściowe są tablicą pikseli. Pierwsza warstwa zwykle wyodrębnia piksele i rozpoznaje krawędzie elementów obrazu. Z kolejnej warstwy można zbudować z krawędzi proste elementy, takie jak liście i gałęzie. Następna warstwa mogłaby wówczas rozpoznać drzewo itp. Przechodzenie danych z jednej warstwy do drugiej jest uważane za transformację, zamieniającą dane wyjściowe z jednej warstwy na dane wejściowe dla następnej. Każda warstwa odpowiada innemu poziomowi abstrakcji, a maszyna może sama nauczyć się, jakie cechy danych umieścić w której warstwie/poziomie. Głębokie uczenie się różni się od tradycyjnego „płytkiego uczenia się”, ponieważ uczy się znacznie głębszych poziomów abstrakcji i reprezentacji hierarchicznej.

Dlaczego głębokie uczenie się jest ważne?

Ta technika uczenia się jest rewolucyjnym narzędziem do przetwarzania dużych ilości danych, ponieważ wydajność maszyny poprawia się w miarę analizowania większej ilości danych. W miarę wzrostu ilości danych maszyna staje się bardziej zdolna do rozpoznawania wzorców, nawet ukrytych, wśród danych. Ponieważ maszyna uczy się również na podstawie przetworzonych danych, jest w stanie automatycznie wyodrębniać i abstrahować cechy z surowych danych, przy niewielkiej lub żadnej interwencji człowieka.

Praktyczne zastosowania głębokiego uczenia się

Automatyczne rozpoznawanie mowy – Wszystkie główne komercyjne systemy rozpoznawania mowy (pomyśl o swoim asystentze w smartfonie) korzystają z techniki głębokiego uczenia się, przy czym obecnie najpopularniejsze są rekurencyjne sieci neuronowe.

Wizja komputerowa – Obrazy służą do uczenia maszyny rozpoznawania cech, a obecnie maszyny wykazują „nadludzką” dokładność w rozpoznawaniu obrazów.

Przetwarzanie języka naturalnego – Nowoczesne techniki głębokiego uczenia się usprawniły tłumaczenie i modelowanie języka. Tłumacz Google wykorzystuje techniki głębokiego uczenia się do tłumaczenia w oparciu o semantykę całego zdania, zamiast po prostu zapamiętywać tłumaczenia od zdania do zdania.