Lär dig vad som menas med djupinlärning inom AI. Vi ger dig en fullständig definition av djupinlärning, även kallad deep learning (DL) på engelska, tillsammans med en detaljerad förklaring av dess funktion samt olika algoritmer.
Vad är djupinlärning?
“Deep learning” eller djupinlärning är en iterativ metod för artificiell intelligens (AI) som staplar maskininlärningsalgoritmer i en hierarki med ökande komplexitet och abstraktion. Varje djupinlärningsnivå skapas med hjälp av kunskap från det föregående lagret i hierarkin.
Det första lagret i en djup algoritm för bildigenkänning kan till exempel fokusera på att lära sig om färgmönster i träningsdata, medan nästa lager fokuserar på former. Så småningom kommer hierarkin att ha lager som fokuserar på olika kombinationer av färger och former, med det översta lagret som fokuserar på det faktiska objektet som känns igen.
Djupinlärning är för närvarande den mest sofistikerade AI-arkitekturen som används idag. Populära djupinlärningsalgoritmer inkluderar:
- Convolutional neural network – Algoritmen kan tilldela vikter och bias till olika objekt i en bild och skilja ett objekt i bilden från ett annat. Används för objektdetektering och bildklassificering.
- Recurrent neural networks – Algoritmen kan komma ihåg sekventiella data. Används för taligenkänning, röstigenkänning, prediktion av tidsserier och bearbetning av naturligt språk.
- Nätverk med långt korttidsminne – Algoritmen kan lära sig ordningsberoende i problem med sekvensprediktion. Används vid maskinöversättning och språkmodellering.
- Generativa kontradiktoriska nätverk – Två algoritmer tävlar mot varandra och använder varandras misstag som nya träningsdata. Används inom digital fotorestaurering och deepfake-video.
- Deep belief networks – En oövervakad djupinlärningsalgoritm där varje lager har två syften: det fungerar som ett dolt lager för det som kom innan och ett synligt lager för det som kommer härnäst. Används inom sjukvården för att upptäcka cancer och andra sjukdomar.
Techopedia förklarar djupinlärning
Djupinlärning används för att bygga och träna neurala nätverk och beslutsfattande nätverksnoder. Det anses vara en kärnteknik för den fjärde industriella revolutionen (Industry 4.0) och Web3.
“Deep learning” eller djupinlärning tar bort den manuella identifieringen av funktioner i data och förlitar sig istället på den träningsprocess som finns för att upptäcka användbara mönster i de inmatade exemplen. Detta gör det enklare och snabbare att träna det neurala nätverket, och det kan ge ett bättre resultat som främjar området artificiell intelligens.
En algoritm anses vara djup om indata passerar genom en serie icke-linjäriteter eller icke-linjära transformationer innan de blir utdata. Idag använder de flesta affärsapplikationer algoritmer för ytlig maskininlärning.
Ytlig AI, även kallad svag AI, bygger inte upp en hierarki av subrutinanrop. Istället är denna typ av inlärningsalgoritm utformad för att utföra en enda, diskret uppgift.