Mreže dubokog uvjerenja (DBN) neuronske su mreže sastavljene od nekoliko složenih slojeva koji se najprije sloj po sloj unaprijed treniraju bez nadzora, obično kao tzv. ograničeni Boltzmannovi strojevi. Geoffrey Hinton i suradnici predstavili su metodu 2006.; pokazala je da se duboke mreže mogu učinkovito trenirati i tako pridonijela usponu dubokog učenja. U praksi su DBN-ovi od tada uglavnom zamijenjeni drugim arhitekturama.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoDuboko učenje je grana strojnog učenja koja koristi umjetne neuronske mreže s mnogo slojeva. Takve mreže iz velikih količina podataka uče koja su obilježja važna – od rubova na slikama do odnosa značenja u tekstovima. Duboko učenje temelj je današnjih jezičnih modela, prepoznavanja slika i govora te strojnog prevođenja, a obično zahtijeva znatnu računalnu snagu i podatke za treniranje.
Umjetne neuronske mreže (ANN) računski su modeli sastavljeni od mnogo povezanih jedinica („neurona”) raspoređenih u slojeve koji obrađuju unose putem ponderiranih veza. Tijekom treniranja težine se korak po korak prilagođavaju na primjerima, obično povratnim širenjem pogreške (backpropagation). ANN-ovi su temelj dubokog učenja i pokreću prepoznavanje slika i govora te velike jezične modele. Unatoč biološkoj inspiraciji, rade znatno jednostavnije od ljudskog mozga.
Kod nenadziranog učenja model prima podatke bez unaprijed zadanih točnih odgovora i sam traži strukture. Tipične metode su klasteriranje, koje grupira slične zapise, i smanjenje dimenzionalnosti, koje mnogo značajki sažima u nekoliko bitnih. Organizacije ga koriste za otkrivanje segmenata klijenata ili uočavanje neobičnih transakcija; pronađene skupine zatim moraju protumačiti stručnjaci za to područje.
