Globoke verjetnostne mreže (deep belief networks, DBN) so nevronske mreže iz več zloženih slojev, ki se najprej sloj za slojem vnaprej učijo brez nadzora, običajno kot t. i. omejeni Boltzmannovi stroji. Metodo so leta 2006 predstavili Geoffrey Hinton in sodelavci; pokazala je, da je globoke mreže mogoče učinkovito učiti, in tako pripomogla k vzponu globokega učenja. V praksi so DBN-je medtem večinoma nadomestile druge arhitekture.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevGloboko učenje je veja strojnega učenja, ki uporablja umetne nevronske mreže z mnogo sloji. Takšne mreže se iz velikih količin podatkov naučijo, katere značilnosti so pomembne – od robov na slikah do pomenskih povezav v besedilih. Globoko učenje je podlaga današnjih jezikovnih modelov, prepoznavanja slik in govora ter strojnega prevajanja in običajno zahteva veliko računske moči in učnih podatkov.
Umetne nevronske mreže (artificial neural networks, ANN) so računski modeli iz mnogih povezanih enot („nevronov“), razporejenih v sloje, ki vhode obdelujejo prek uteženih povezav. Med učenjem se uteži korak za korakom prilagajajo na primerih, običajno z vzvratnim razširjanjem napake. ANN so temelj globokega učenja in poganjajo prepoznavanje slik, prepoznavanje govora in velike jezikovne modele. Kljub biološkemu zgledu delujejo veliko preprosteje kot človeški možgani.
Pri nenadzorovanem učenju model prejme podatke brez vnaprej določenih pravilnih odgovorov in sam išče strukture. Tipični metodi sta gručenje, ki združuje podobne zapise, in zmanjševanje dimenzionalnosti, ki številne značilnice strne v nekaj bistvenih. Organizacije ga uporabljajo za odkrivanje segmentov strank ali opažanje nenavadnih transakcij; najdene skupine morajo nato razložiti strokovnjaki s področja.
