Deep learning

Z Wikipedii, wolnej encyklopedii
Przejdź do nawigacji Przejdź do wyszukiwania

Deep learning, uczenie głębokie – podkategoria uczenia maszynowego (ang. machine learning). Polega na tworzeniu sieci neuronowych, które mają za zadanie udoskonalić m.in. technikę rozpoznawania głosu, przetwarzania języka naturalnego.

Proces uczenia jest głęboki, ponieważ struktura sztucznych sieci neuronowych składa się z wielu warstw wejściowych, wyjściowych i ukrytych. Każda warstwa zawiera jednostki, które przekształcają dane wejściowe w informacje, których następne warstwy mogą używać do wykonania pewnego zadania predykcyjnego. Dzięki tej strukturze maszyna może uczyć się za pomocą własnego przetwarzania danych[1]. Znajduje również zastosowanie w bioinformatyce i projektowaniu leków[2].

Uczenie głębokie a uczenie maszynowe[edytuj | edytuj kod]

Deep learning jest poddziedziną uczenia maszynowego. Podstawowym czynnikiem wyróżniającym deep learning jest to, że proces uczenia nie wymaga kontroli człowieka, czyli zachodzi w sposób nienadzorowany[3].

Czynnik Uczenie głębokie Uczenie maszynowe
Czas uczenia Długi czas uczenia Krótszy czas uczenia
Dane Wymaga dużych zbiorów danych Nie wymaga dużych zbiorów danych; może

uczyć się na mniejszych zbiorach

Wymagania sprzętowe Może uczyć się na CPU, ale zalecane

jest również GPU

Obliczenia wykonywane są na CPU

Przypisy[edytuj | edytuj kod]

  1. lgayhardt, Deep learning vs. machine learning - Azure Machine Learning, docs.microsoft.com [dostęp 2022-04-26] (ang.).
  2. Xiaoqian Lin, Xiu Li, Xubo Lin, A Review on Applications of Computational Methods in Drug Screening and Design, „Molecules”, 25 (6), 2020, s. 1375, DOI10.3390/molecules25061375, ISSN 1420-3049 [dostęp 2022-06-21] (ang.).
  3. Omid Ghorbanzadeh i inni, Evaluation of Different Machine Learning Methods and Deep-Learning Convolutional Neural Networks for Landslide Detection, „Remote Sensing”, 2019, DOI10.3390/rs11020196.