Deep Learning (Học sâu) là một tập con của Machine Learning (Học máy), tập trung vào việc sử dụng mạng nơ-ron nhiều lớp để thực hiện các nhiệm vụ như phân loại, hồi quy và học biểu diễn. Lĩnh vực này lấy cảm hứng từ khoa học thần kinh sinh học và tập trung vào việc xếp chồng các nơ-ron nhân tạo thành nhiều lớp và “huấn luyện” chúng để xử lý dữ liệu. Tính từ “sâu” dùng để chỉ việc sử dụng nhiều lớp (từ ba đến vài trăm hoặc hàng nghìn lớp) trong mạng. Các phương pháp được sử dụng có thể là có giám sát (supervised), bán giám sát (semi-supervised) hoặc không giám sát (unsupervised).
Một số kiến trúc mạng học sâu phổ biến bao gồm mạng được kết nối hoàn toàn, mạng niềm tin sâu, mạng nơ-ron hồi quy, mạng nơ-ron tích chập, mạng đối nghịch tạo sinh, bộ biến đổi và trường tỏa sáng nơ-ron. Các kiến trúc này đã được áp dụng cho các lĩnh vực bao gồm thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, dịch máy, tin sinh học (bioinformatics), thiết kế thuốc, phân tích hình ảnh y tế, khoa học khí hậu, kiểm tra vật liệu và chương trình trò chơi cờ bàn, trong đó chúng tạo ra kết quả tương đương và trong một số trường hợp vượt trội hơn hiệu suất của chuyên gia con người.
Các dạng ban đầu của mạng nơ-ron được lấy cảm hứng từ quá trình xử lý thông tin và các nút giao tiếp phân tán trong các hệ thống sinh học, đặc biệt là não người. Tuy nhiên, các mạng nơ-ron hiện tại không có ý định mô hình hóa chức năng não của các sinh vật và thường được coi là các mô hình chất lượng thấp cho mục đích đó.
« Back to Glossary Index