നിര്വചനം
വലിയ ഡാറ്റാസെറ്റുകളിൽ നിന്ന് പാറ്റേണുകൾ പഠിക്കാൻ മൾട്ടി-ലേയേർഡ് ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ ഉപയോഗിക്കുന്ന മെഷീൻ ലേണിംഗിന്റെ ഒരു ഉപമേഖലയാണ് ഡീപ് ലേണിംഗ്. ഇമേജ് റെക്കഗ്നിഷൻ, സ്പീച്ച്, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് തുടങ്ങിയ ജോലികളിൽ ഇത് മികവ് പുലർത്തുന്നു.
ഉദ്ദേശ്യം
കനത്ത മാനുവൽ ഫീച്ചർ എഞ്ചിനീയറിംഗ് ഇല്ലാതെ തന്നെ അസംസ്കൃത ഡാറ്റയിൽ നിന്ന് സവിശേഷതകളും പ്രാതിനിധ്യങ്ങളും യാന്ത്രികമായി പഠിക്കുക എന്നതാണ് ഇതിന്റെ ഉദ്ദേശ്യം. ഇത് AI പ്രകടനത്തിൽ മുന്നേറ്റങ്ങൾ സാധ്യമാക്കുന്നു.
പ്രാധാന്യം
- ദർശനം, സംസാരം, NLP എന്നിവയിൽ അത്യാധുനിക AI-യെ ശക്തിപ്പെടുത്തുന്നു.
- വലിയ ഡാറ്റാസെറ്റുകളും കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങളും ആവശ്യമാണ്.
- പരമ്പരാഗത ML രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വ്യാഖ്യാനിക്കാവുന്നത് കുറവാണ്.
- അക്കാദമിക് ഗവേഷണത്തെയും വാണിജ്യ ആപ്ലിക്കേഷനുകളെയും നയിക്കുന്നു.
ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു
- ഒന്നിലധികം മറഞ്ഞിരിക്കുന്ന ലെയറുകൾ ഉപയോഗിച്ച് നെറ്റ്വർക്ക് ആർക്കിടെക്ചർ നിർവചിക്കുക.
- ഇൻപുട്ട് ഡാറ്റ ഫീഡ് ചെയ്ത് നെറ്റ്വർക്കിലൂടെ മുന്നോട്ട് പ്രചരിപ്പിക്കുക.
- അടിസ്ഥാന സത്യത്തിനെതിരെ പിശകുകൾ കണക്കാക്കുക.
- വെയിറ്റുകൾ അപ്ഡേറ്റ് ചെയ്യുന്നതിന് ബാക്ക്പ്രൊപഗേറ്റ് പിശകുകൾ.
- കൃത്യത സ്ഥിരമാകുന്നതുവരെ പരിശീലനം ആവർത്തിക്കുക.
ഉദാഹരണങ്ങൾ (യഥാർത്ഥ ലോകം)
- ഗൂഗിൾ വിവർത്തനം: മെഷീൻ വിവർത്തനത്തിനായി ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകൾ ഉപയോഗിക്കുന്നു.
- ആൽഫഫോൾഡ് (ഡീപ് മൈൻഡ്): ആഴത്തിലുള്ള പഠനത്തിലൂടെ പ്രോട്ടീൻ ഘടന പ്രവചനം.
- ടെസ്ല ഓട്ടോപൈലറ്റ്: സ്വയം ഡ്രൈവിംഗിൽ കാഴ്ചയ്ക്കുള്ള ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകൾ.
റഫറൻസുകൾ / കൂടുതൽ വായന
- ഡീപ് ലേണിംഗ് — ഗുഡ്ഫെലോ, ബെൻജിയോ & കോർവില്ലെ (എംഐടി പ്രസ്സ്).
- “ഡീപ്പ് സിഎൻഎന്നുകൾക്കൊപ്പം ഇമേജ്നെറ്റ് വർഗ്ഗീകരണം” — ക്രിഷെവ്സ്കി തുടങ്ങിയവർ, ന്യൂറിഐപിഎസ് 2012.
- സ്റ്റാൻഫോർഡ് CS231n: വിഷ്വൽ റെക്കഗ്നിഷനുള്ള കൺവോൾഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ.
