నిర్వచనం
డీప్ లెర్నింగ్ అనేది మెషిన్ లెర్నింగ్ యొక్క ఉపక్షేత్రం, ఇది పెద్ద డేటాసెట్ల నుండి నమూనాలను నేర్చుకోవడానికి బహుళ-లేయర్డ్ కృత్రిమ నాడీ నెట్వర్క్లను ఉపయోగిస్తుంది. ఇది ఇమేజ్ రికగ్నిషన్, స్పీచ్ మరియు నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్ వంటి పనులలో రాణిస్తుంది.
పర్పస్
భారీ మాన్యువల్ ఫీచర్ ఇంజనీరింగ్ లేకుండా ముడి డేటా నుండి ఫీచర్లు మరియు ప్రాతినిధ్యాలను స్వయంచాలకంగా నేర్చుకోవడం దీని ఉద్దేశ్యం. ఇది AI పనితీరులో పురోగతులను అనుమతిస్తుంది.
ప్రాముఖ్యత
- దృష్టి, ప్రసంగం మరియు NLPలో అత్యాధునిక AIకి శక్తినిస్తుంది.
- పెద్ద డేటాసెట్లు మరియు కంప్యూటింగ్ వనరులు అవసరం.
- సాంప్రదాయ ML పద్ధతులతో పోలిస్తే తక్కువ అర్థమయ్యేది.
- విద్యా పరిశోధన మరియు వాణిజ్య అనువర్తనాలు రెండింటినీ నడిపిస్తుంది.
అది ఎలా పని చేస్తుంది
- బహుళ దాచిన పొరలతో నెట్వర్క్ నిర్మాణాన్ని నిర్వచించండి.
- ఇన్పుట్ డేటాను ఫీడ్ చేయండి మరియు నెట్వర్క్ ద్వారా ముందుకు ప్రచారం చేయండి.
- ప్రాథమిక సత్యానికి వ్యతిరేకంగా లోపాలను లెక్కించండి.
- బరువులను నవీకరించడానికి బ్యాక్ప్రొపగేట్ లోపాలు.
- ఖచ్చితత్వం స్థిరీకరించబడే వరకు శిక్షణను పునరావృతం చేయండి.
ఉదాహరణలు (వాస్తవ ప్రపంచం)
- గూగుల్ ట్రాన్స్లేట్: మెషిన్ ట్రాన్స్లేషన్ కోసం డీప్ న్యూరల్ నెట్వర్క్లను ఉపయోగిస్తుంది.
- ఆల్ఫాఫోల్డ్ (డీప్మైండ్): లోతైన అభ్యాసంతో ప్రోటీన్ నిర్మాణ అంచనా.
- టెస్లా ఆటోపైలట్: సెల్ఫ్ డ్రైవింగ్లో దృష్టి కోసం లోతైన న్యూరల్ నెట్వర్క్లు.
సూచనలు / తదుపరి పఠనం
- డీప్ లెర్నింగ్ — గుడ్ఫెలో, బెంగియో & కోర్విల్లె (MIT ప్రెస్).
- “డీప్ CNNలతో ఇమేజ్నెట్ వర్గీకరణ” — క్రిజెవ్స్కీ మరియు ఇతరులు, న్యూరిఐపిఎస్ 2012.
- స్టాన్ఫోర్డ్ CS231n: దృశ్య గుర్తింపు కోసం కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్లు.
