Deep belief networks (DBN) jsou neuronové sítě složené z několika vrstev nad sebou, které se nejprve vrstvu po vrstvě předtrénují bez dohledu, obvykle jako tzv. omezené Boltzmannovy stroje. Geoffrey Hinton a jeho spolupracovníci metodu představili v roce 2006; ukázala, že hluboké sítě lze trénovat efektivně, a přispěla tak k rozvoji hlubokého učení. V praxi byly DBN mezitím z velké části nahrazeny jinými architekturami.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoHluboké učení (deep learning) je odvětví strojového učení, které používá umělé neuronové sítě s mnoha vrstvami. Takové sítě se z velkého množství dat samy učí, na kterých rysech záleží – od hran v obrazech po významové vztahy v textech. Hluboké učení stojí za dnešními jazykovými modely, rozpoznáváním obrazu a řeči i strojovým překladem a obvykle vyžaduje značný výpočetní výkon a množství trénovacích dat.
Umělé neuronové sítě (ANN) jsou výpočetní modely složené z mnoha propojených jednotek („neuronů“) uspořádaných do vrstev, které zpracovávají vstupy prostřednictvím vážených spojení. Při trénování se váhy krok za krokem upravují na příkladech, obvykle zpětným šířením chyby (backpropagation). ANN jsou základem hlubokého učení a pohánějí rozpoznávání obrazu, rozpoznávání řeči a velké jazykové modely. Navzdory biologické inspiraci fungují mnohem jednodušeji než lidský mozek.
Při neřízeném učení model dostane data bez předem daných správných odpovědí a sám hledá struktury. Typickými metodami jsou shlukování, které seskupuje podobné záznamy, a redukce dimenzionality, která mnoho příznaků zhušťuje na několik podstatných. Organizace je využívají k objevování zákaznických segmentů nebo odhalování neobvyklých transakcí; nalezené skupiny pak musí interpretovat odborníci z dané oblasti.
