A mély hiedelemhálók (Deep Belief Network, DBN) több egymásra épülő rétegből álló neurális hálók, amelyeket először rétegenként, felügyelet nélkül tanítanak elő, általában úgynevezett korlátozott Boltzmann-gépekként. A módszert Geoffrey Hinton és munkatársai mutatták be 2006-ban; megmutatta, hogy a mély hálók hatékonyan taníthatók, így hozzájárult a mélytanulás felemelkedéséhez. A gyakorlatban a DBN-eket azóta nagyrészt más architektúrák váltották fel.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA mélytanulás a gépi tanulás egyik ága, amely sok rétegű mesterséges neurális hálókat használ. Az ilyen hálók nagy adatmennyiségből tanulják meg, mely jellemzők számítanak – a képek éleitől a szövegek jelentésbeli összefüggéseiig. A mélytanulás áll a mai nyelvi modellek, a kép- és beszédfelismerés, valamint a gépi fordítás mögött, és általában jelentős számítási teljesítményt és tanítóadatot igényel.
A mesterséges neurális hálók (ANN-ek) számítási modellek, amelyek sok összekapcsolt egységből („neuronból”) állnak, rétegekbe rendezve, és súlyozott kapcsolatokon keresztül dolgozzák fel a bemeneteket. A tanítás során a súlyokat lépésről lépésre, példák alapján módosítják, általában visszaterjesztéssel (backpropagation). Az ANN-ek a mélytanulás alapját képezik, és a képfelismerés, a beszédfelismerés és a nagy nyelvi modellek mögött állnak. Biológiai ihletésük ellenére sokkal egyszerűbben működnek, mint az emberi agy.
A felügyelet nélküli tanulásban a modell előre meghatározott helyes válaszok nélküli adatokat kap, és maga keres bennük struktúrákat. Tipikus módszerek a klaszterezés, amely a hasonló rekordokat csoportosítja, és a dimenziócsökkentés, amely sok jellemzőt néhány lényegesre sűrít. A szervezetek ügyfélszegmensek felfedezésére vagy szokatlan tranzakciók kiszűrésére használják; a talált csoportokat ezután szakterületi szakértőknek kell értelmezniük.
