Deep learning

Deepl learning (angla por profunda lernado) estas unu el la multaj metodoj de maŝinlernado bazita sur artefaritaj neŭralaj retoj. Lernado povas esti kontrolita, duonkontrolita aŭ nekontrolita[1]. Profunda lernado povas esti aplikita en lokoj kiel ekzemple bildprilaborado, parolrekono, komputa lingvistiko, maŝintradukado, biokomputiko, determinado de kuraciloj, medicina bildrekono, kaj programoj por tabulludoj. Ili foje povas atingi rezultojn, kiuj estas egalaj aŭ foje pli bonaj ol tiuj de specialistoj[2].

Difino

Profunda lernado estas klaso de maŝinlernadaj algoritmoj, kiuj uzas plurajn tavolojn por iom post iom ĉerpi pli altnivelajn funkciojn el kruda enigo. Ekzemple, en bildprilaborado, pli malaltaj tavoloj povas identigi randojn, dum pli altaj tavoloj identigas la konceptojn gravaj al ekzemple nombroj, literoj aŭ vizaĝoj[3].

Referencoj

  1. ↑ (en) Y Bengio, Y LeCun en G Hinton. Deep Learning, 2015. Nature, 521, 7553, pp.436-444, National Library of Medicine. Arkivite de la originalo, la 17-an de februaro 2023.
  2. ↑ (en) J Russell. Google's AlphaGo AI wins three-match series against the world's best Go player, la 25-an de majo 2017.
  3. ↑ (en) Deng, L.; Yu, D., Deep Learning: Methods and Applications. Foundations and Trends in Signal Processing (PDF), 2014, V. 7, n-ro 3-4. С. 1-199. doi:10.1561/2000000039. Arkivita de la originalo, la 14-an de marto 2016.