കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള യന്ത്ര പഠന രീതികളുടെ വിശാലമായ കുടുംബത്തിന്റെ ഭാഗമാണ് ഡീപ് ലേണിംഗ്(Deep learning) (ഡീപ് സ്ട്രക്ചേർഡ് ലേണിംഗ് അല്ലെങ്കിൽ ഹൈറാർക്കിക്കൽ ലേണിംഗ് എന്നും അറിയപ്പെടുന്നു). പഠനത്തിന് മേൽനോട്ടം വഹിക്കാം, അർദ്ധ മേൽനോട്ടം അല്ലെങ്കിൽ മേൽനോട്ടമില്ലാതെ ഇരിക്കുകയോ ചെയ്യാം.[1]

കമ്പ്യൂട്ടർ ദർശനം, സംഭാഷണങ്ങളെ തിരിച്ചറിയുക, സ്വാഭാവിക ഭാഷയുടെ വിവിധ ഘട്ടങ്ങൾ, ശബ്ദങ്ങൾ തിരിച്ചറിയൽ, സമൂഹ മാധ്യമ ഫിൽട്ടറിംഗ്, യന്ത്ര വിവർത്തനം, ബയോ ഇൻഫോർമാറ്റിക്‌സ്, മരുന്ന് രൂപകൽപ്പന എന്നിവയുൾപ്പെടെയുള്ള മേഖലകളിൽ ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ, ആഴത്തിലുള്ള ബിലീഫ് ശൃംഖലകൾ, ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ, കൺവൻഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ എന്നിവയിലെല്ലാം ഡീപ് ലേണിംഗ് ആർക്കിടെക്ചർ പ്രയോഗിച്ചു. മെഡിക്കൽ ഇമേജ് വിശകലനം, മെറ്റീരിയൽ പരിശോധന, ബോർഡ് ഗെയിം പ്രോഗ്രാമുകൾ എന്നിവയുൾപ്പെടെ അവ മനുഷ്യ വിദഗ്ദ്ധരെ അപേക്ഷിച്ച് താരതമ്യപ്പെടുത്താവുന്നതും ചില സന്ദർഭങ്ങളിൽ മികച്ചതുമായ ഫലങ്ങൾ നൽകി.[2][3][4]

കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ (ANNs) വിവര സംസ്കരണത്തിലൂടെ പ്രചോദനം ഉൾക്കൊണ്ട് ബയോളജിക്കൽ സിസ്റ്റങ്ങളിൽ ആശയവിനിമയ നോഡുകൾ വിതരണം ചെയ്തു. ബയോളജിക്കൽ തലച്ചോറുകളിൽ നിന്ന് ANNs ന് വ്യത്യാസങ്ങളുണ്ട്. പ്രത്യേകിച്ചും, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ സ്ഥിരവും പ്രതീകാത്മകവുമാണ്, അതേസമയം മിക്ക ജീവജാലങ്ങളുടെയും ജൈവ മസ്തിഷ്കം ചലനാത്മകവും (പ്ലാസ്റ്റിക്) അനലോഗുമാണ്.[5][6][7]

നിർവചനം

തിരുത്തുക

റോ ഇൻ‌പുട്ടിൽ‌ നിന്നും ഉയർന്ന ലെവൽ‌ സവിശേഷതകൾ‌ ക്രമേണ എക്‌സ്‌ട്രാക്റ്റു ചെയ്യുന്നതിന് ഒന്നിലധികം ലെയറുകൾ‌ ഉപയോഗിക്കുന്ന മെഷീൻ‌ ലേണിംഗ് അൽ‌ഗോരിതംസിന്റെ ഒരു ക്ലാസാണ് ഡീപ് ലേണിംഗ്.[8] ഉദാഹരണത്തിന്, ഇമേജ് പ്രോസസ്സിംഗിൽ, താഴത്തെ പാളികൾ അരികുകൾ തിരിച്ചറിഞ്ഞേക്കാം, അതേസമയം ഉയർന്ന പാളി അക്കങ്ങൾ / അക്ഷരങ്ങൾ അല്ലെങ്കിൽ മുഖങ്ങൾ പോലുള്ള അർത്ഥവത്തായ ഇനങ്ങൾ തിരിച്ചറിയുന്നു.

അവലോകനം

തിരുത്തുക

മിക്ക ആധുനിക ഡീപ് ലേണിംഗ് മോഡലുകളും കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, പ്രത്യേകിച്ചും, കൺവൊല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ (സിഎൻഎൻ), എന്നിരുന്നാലും അവയ്ക്ക് പ്രൊപ്പോസിഷണൽ ഫോർമുലകളോ ആഴത്തിലുള്ള ജനറേറ്റീവ് മോഡലുകളിൽ ലെയർ തിരിച്ചുള്ള ക്രമീകരിച്ച ലേറ്റന്റ് വേരിയബിളുകളോ ഉൾപ്പെടുത്താം. ഡീപ് ബിലീഫ് നെറ്റ്‌വർക്കുകളിലെ നോഡുകൾ, ഡീപ് ബോൾട്ട്സ്‌മാൻ മെഷീനുകൾ എന്നിവ പോലുള്ളവ.[9]

  1. Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Deep Learning". Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442.
  2. Ciresan, Dan; Meier, U.; Schmidhuber, J. (June 2012). "Multi-column deep neural networks for image classification". 2012 IEEE Conference on Computer Vision and Pattern Recognition: 3642–3649. arXiv:1202.2745. doi:10.1109/cvpr.2012.6248110. ISBN 978-1-4673-1228-8.
  3. Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffry (2012). "ImageNet Classification with Deep Convolutional Neural Networks" (PDF). NIPS 2012: Neural Information Processing Systems, Lake Tahoe, Nevada.
  4. "Google's AlphaGo AI wins three-match series against the world's best Go player". TechCrunch. 25 May 2017.
  5. Marblestone, Adam H.; Wayne, Greg; Kording, Konrad P. (2016). "Toward an Integration of Deep Learning and Neuroscience". Frontiers in Computational Neuroscience. 10: 94. doi:10.3389/fncom.2016.00094. PMC 5021692. PMID 27683554.{{cite journal}}: CS1 maint: unflagged free DOI (link)
  6. Olshausen, B. A. (1996). "Emergence of simple-cell receptive field properties by learning a sparse code for natural images". Nature. 381 (6583): 607–609. Bibcode:1996Natur.381..607O. doi:10.1038/381607a0. PMID 8637596.
  7. Bengio, Yoshua; Lee, Dong-Hyun; Bornschein, Jorg; Mesnard, Thomas; Lin, Zhouhan (2015-02-13). "Towards Biologically Plausible Deep Learning". arΧiv: 1502.04156 [cs.LG]. 
  8. Deng, L.; Yu, D. (2014). "Deep Learning: Methods and Applications" (PDF). Foundations and Trends in Signal Processing. 7 (3–4): 1–199. doi:10.1561/2000000039.
  9. Bengio, Yoshua (2009). "Learning Deep Architectures for AI" (PDF). Foundations and Trends in Machine Learning. 2 (1): 1–127. CiteSeerX 10.1.1.701.9550. doi:10.1561/2200000006. Archived from the original (PDF) on 2016-03-04. Retrieved 2019-07-04.
"https://ml.wikipedia.org/w/index.php?title=ഡീപ്_ലേണിംഗ്&oldid=3823424" എന്ന താളിൽനിന്ന് ശേഖരിച്ചത്