הַגדָרָה
למידה עמוקה היא תת-תחום של למידת מכונה המשתמש ברשתות עצביות מלאכותיות רב-שכבתיות כדי ללמוד דפוסים ממערכי נתונים גדולים. היא מצטיינת במשימות כמו זיהוי תמונה, דיבור ועיבוד שפה טבעית.
מטרה
המטרה היא ללמוד באופן אוטומטי תכונות וייצוגים מנתונים גולמיים ללא צורך בהנדסת תכונות ידנית כבדה. זה מאפשר פריצות דרך בביצועי בינה מלאכותית.
חשיבות
- מפעיל בינה מלאכותית מתקדמת בתחומי הראייה, הדיבור וה-NLP.
- דורש מערכי נתונים גדולים ומשאבי מחשוב.
- פחות ניתן לפירוש בהשוואה לשיטות למידה חשמלית מסורתיות.
- מניע הן מחקר אקדמי והן יישומים מסחריים.
איך זה עובד
- הגדר ארכיטקטורת רשת עם שכבות נסתרות מרובות.
- הזנת נתוני קלט והפצתם הלאה דרך הרשת.
- חשב שגיאות מול אמת הקרקע.
- שגיאות Backpropagate לעדכון משקלים.
- חזרו על האימון עד שהדיוק יתייצב.
דוגמאות (העולם האמיתי)
- גוגל טרנסלייט: משתמש ברשתות עצביות עמוקות לתרגום מכונה.
- AlphaFold (DeepMind): חיזוי מבנה חלבונים באמצעות למידה עמוקה.
- טסלה אוטומטית: רשתות עצביות עמוקות לראייה בנהיגה עצמית.
מקורות / קריאה נוספת
- למידה עמוקה - גודפלו, בנג'יו וקורוויל (הוצאת MIT).
- "סיווג ImageNet עם CNNs עמוקים" - קריז'בסקי ואחרים, NeurIPS 2012.
- סטנפורד CS231n: רשתות נוירונים קונבולוציוניות לזיהוי חזותי.
