Uczenie głębokie (ang.deep learning) – podkategoria uczenia maszynowego (ang.machine learning), polegająca na tworzeniu głębokich sieci neuronowych (sieci z wieloma poziomami neuronów). Techniki głębokiego uczenia mają za zadanie udoskonalić m.in. automatyczne przetwarzanie mowy, rozpoznawanie obrazów i przetwarzania języka naturalnego.
Sposób działania
Sieć wielowarstwowa z tzw. ukrytymi warstwami
Sieci neuronowe są głębokie, ponieważ struktura tych sieci składa się z wielu warstw sztucznych neuronów. Proste sieci neuronowe można zaprojektować ręcznie tak, by konkretna warstwa wykrywała konkretne cechy, a uczenie się polega na ustaleniu odpowiednich wag. W dużych sieciach neuronowych proces głębokiego uczenia jest do pewnego stopnia samodzielny - to znaczy sieć nie jest projektowana pod wykrywanie konkretnych cech, lecz wykrywa je na podstawie przetwarzania odpowiednio oznaczonych zbiorów danych. Zarówno takie zbiory, jak i sam sposób działania sieci muszą być przygotowane przez specjalistów, ale cechy wykrywa już sam program. Dzięki temu możliwe jest przetworzenie wielkiej ilości danych, a sieć może automatycznie nauczyć się reprezentacji cech wyższego poziomu, co oznacza, że mogą one wykryć skomplikowane wzorce w danych wejściowych[1][2].
Zastosowania
Obraz nieistniejącej osoby wygenerowany przez program StyleGAN
Automatyczne rozpoznawanie i przetwarzanie mowy na tekst[3][4].
Przetwarzanie języka naturalnego, wykrywanie znaczeń i tłumaczenie na inny język[5][6].
Rozpoznawanie obiektów na obrazach w tym na filmach (nadawanie etykiet i oznaczanie)[6]. W tym również analiza obrazu medycznego i diagnostyka[5][7].
