Mi a mély tanulás
A mély tanulás a gépi tanulás egyik részterülete, ideghálózatokat és nagy mennyiségű adatot használ. A tanulási módszerek az emberi agy működésén alapulnak, és saját prognózisok vagy döntések meghozatalának képességét eredményezik.
Az úgynevezett mélytanulás az információfeldolgozás speciális módszere. A mély tanulás a gépi tanulás részterülete, és idegi hálózatokat használ. A mesterséges intelligencia előállításához nagy mennyiségű adatot használó és elemző képzési módszereket alkalmaznak. Működését sok területen az emberi agyban történő tanulás inspirálja. A meglévő információk és az idegháló alapján a rendszer ismételten összekapcsolhatja a tanultakat új tartalommal, és így újra tanulhat. Ennek eredményeként a gép képes előrejelzéseket vagy döntéseket hozni, és megkérdőjelezni azokat. A döntéseket új kísérlet során megerősítik vagy megváltoztatják. Általános szabály, hogy az emberek már nem avatkoznak be a tényleges tanulási folyamatba.
A mély tanulás különösen alkalmas minden olyan alkalmazásra, amelyben nagy mennyiségű adat áll rendelkezésre, amelyekből minták és modellek származhatnak. A tanulási folyamat során ismételten összekapcsolódó mesterséges neurális hálózatok szolgálják a mély tanulás technikai alapját.
Ideghálózatok - a mély tanulás alapja
Az ideghálózat az emberi agy egyfajta mesterséges absztrakciós modellje, és mesterséges neuronokból áll. Úgynevezett input és output neuronokkal rendelkezik. Között több réteg közbenső neuron található. A bemeneti idegsejtek összekapcsolhatók a kimeneti idegsejtekkel, ha különböző módon tanulnak a köztes idegsejteken keresztül. Minél több neuron és réteg van, annál összetettebb kérdéseket lehet feltérképezni.
A mély tanulás alapfogalma
A mély tanulás megtanítja a gépeket a tanulásra. A gép önállóan és emberi beavatkozás nélkül képes javítani képességeit. Ezt úgy érhetjük el, hogy a meglévő adatokból és információkból kinyerjük és osztályozzuk a mintákat. A megszerzett tudás viszont korrelálhat az adatokkal és összekapcsolható egy további kontextusban. Végül a gép képes döntéseket hozni a linkek alapján.
A döntések folyamatos megkérdőjelezésével az információs linkek bizonyos súlyokat kapnak. Ha a döntések megerősítést nyernek, súlyozásuk növekszik, ha felülvizsgálják, akkor a súlyozás csökken. A bemeneti réteg és a kimeneti réteg között egyre több szintet hoz létre a köztes rétegek és a kapcsolatok. A közbenső rétegek száma és összekapcsolása határozza meg a tényleges kimenetet.
A mély tanulás megkülönböztetése a tisztán gépi tanulástól
A mély tanulás a gépi tanulás részterülete, de mégis egyértelműen megkülönböztethető a tiszta gépi tanulástól. A legfontosabb különbség az, hogy a gépi tanulással az emberek beavatkoznak az adatok elemzésébe és a tényleges döntéshozatali folyamatba. A mély tanulás során az emberek csak azt biztosítják, hogy az információ rendelkezésre álljon a tanuláshoz, és hogy a folyamatok dokumentálva legyenek. A tényleges elemzést és az előrejelzések vagy döntések levezetését magára a gépre bízza, az embereknek nincs hatása a tanulási folyamat eredményeire. Utólag már nem lehet teljesen nyomon követni azt a pontos mintát, amely alapján egy gép adott döntést hozott. Ezenkívül a döntéseket folyamatosan megkérdőjelezik, és a döntési szabályokat egymástól függetlenül optimalizálják.
Alkalmazási területek a mély tanuláshoz
A mély tanulás mindenütt alkalmas arra, ahol nagy mennyiségű adatot lehet vizsgálni minták és modellek alapján. A mély tanulást ezért gyakran használják a mesterséges intelligencia keretében az arc, a tárgy vagy a beszéd felismerésére. A beszédfelismeréssel például a mély tanulásnak köszönhetően lehetséges, hogy a rendszerek önállóan bővítsék szókincsüket új szavakkal vagy kifejezésekkel. Az ilyen munkamódszer jól ismert példája az Apple intelligens Siri hangsegédje. További alkalmazási területek a beszélt szövegek fordítása, a fejlett mesterséges intelligencia a számítógépes játékokban, az autonóm vezetés vagy az ügyfél viselkedésének előrejelzése a CRM rendszer adatai alapján.