Deep learning (deep machine learnin

Deep learning (deep machine learning, or deep structured learning, or hierarchical learning, or sometimes DL) is a branch of machine learning based on a set of algorithms that attempt to model high-level abstractions in data by using multiple processing layers with complex structures, or otherwise composed of multiple non-linear transformations.
Deep learning is part of a broader family of machine learning methods based on learning representations of data. An observation (e.g., an image) can be represented in many ways such as a vector of intensity values per pixel, or in a more abstract way as a set of edges, regions of particular shape, etc.. Some representations make it easier to learn tasks (e.g., face recognition or facial expression recognition[6]) from examples. One of the promises of deep learning is replacing handcrafted features with efficient algorithms for unsupervised or semi-supervised feature learning and hierarchical feature extraction.
Research in this area attempts to make better representations and create models to learn these representations from large-scale unlabeled data. Some of the representations are inspired by advances in neuroscience and are loosely based on interpretation of information processing and communication patterns in a nervous system, such as neural coding which attempts to define a relationship between various stimuli and associated neuronal responses in the brain.
Various deep learning architectures such as deep neural networks, convolutional deep neural networks, deep belief networks and recurrent neural networks have been applied to fields like computer vision, automatic speech recognition, natural language processing, audio recognition and bioinformatics where they have been shown to produce state-of-the-art results on various tasks.

ผลลัพธ์ (ไทย) 2:

การเรียนรู้ลึก (การเรียนรู้เครื่องลึกหรือการเรียนรู้โครงสร้างลึกหรือการเรียนรู้ลำดับชั้นหรือบางครั้ง DL) เป็นสาขาหนึ่งของการเรียนรู้เครื่องขึ้นอยู่กับชุดของขั้นตอนวิธีการที่พยายามแบบนามธรรมระดับสูงในข้อมูลโดยใช้ชั้นการประมวลผลหลายโครงสร้างที่ซับซ้อน หรือประกอบอย่างอื่นของการเปลี่ยนแปลงที่ไม่ใช่เชิงเส้นหลาย.
การเรียนรู้ลึกเป็นส่วนหนึ่งของครอบครัวที่กว้างขึ้นของวิธีการเรียนรู้เครื่องขึ้นอยู่กับการเรียนรู้การแสดงของข้อมูล การสังเกต (เช่นภาพ) สามารถแสดงในหลาย ๆ วิธีเช่นเวกเตอร์ของค่าความเข้มต่อพิกเซลหรือในทางนามธรรมมากขึ้นเป็นชุดของขอบภูมิภาคของรูปร่างเฉพาะ ฯลฯ .. การแสดงบางอย่างให้ง่ายต่อการ เรียนรู้งาน (เช่นการจดจำใบหน้าได้รับการยอมรับหรือการแสดงออกทางสีหน้า [6]) จากตัวอย่าง หนึ่งในสัญญาของการเรียนรู้ลึกจะเปลี่ยนคุณสมบัติในแบบฉบับที่มีกลไกที่มีประสิทธิภาพสำหรับคุณลักษณะใกล้ชิดหรือกึ่งภายใต้การดูแลการเรียนรู้และการสกัดคุณลักษณะลำดับชั้น.
วิจัยในพื้นที่นี้พยายามที่จะให้การรับรองที่ดีขึ้นและสร้างรูปแบบการเรียนรู้การแสดงเหล่านี้จากขนาดใหญ่ข้อมูลที่ไม่มีป้ายกำกับ บางส่วนของการแสดงที่มีแรงบันดาลใจจากความก้าวหน้าในด้านประสาทวิทยาและเคร่งครัดตามความหมายของการประมวลผลข้อมูลและรูปแบบการสื่อสารในระบบประสาทเช่นการเข้ารหัสประสาทซึ่งเป็นความพยายามที่จะกำหนดความสัมพันธ์ระหว่างสิ่งเร้าต่างๆและการตอบสนองของเซลล์ประสาทที่เกี่ยวข้องในสมอง.
ต่างๆลึก สถาปัตยกรรมการเรียนรู้เช่นเครือข่ายประสาทลึกเครือข่ายประสาทสับสนลึกเครือข่ายความเชื่อลึกและเครือข่ายประสาทกำเริบได้รับนำไปใช้กับสาขาเช่นคอมพิวเตอร์วิสัยทัศน์รู้จำเสียงพูดอัตโนมัติประมวลผลภาษาธรรมชาติ, การจดจำเสียงและรสที่พวกเขาได้รับการแสดงเพื่อผลิต state- ผลของการที่ทันสมัยในงานต่างๆ

ผลลัพธ์ (ไทย) 3:

การเรียนรู้แบบลึก ( ลึกการเรียนรู้เครื่อง หรือลึกโครงสร้างการเรียนรู้หรือการเรียนรู้ลำดับชั้นหรือบางครั้ง DL ) เป็นสาขาของการเรียนรู้เครื่องขึ้นอยู่กับชุดของขั้นตอนวิธีที่พยายามสูงในรูปแบบนามธรรม โดยใช้การประมวลผลข้อมูลที่มีโครงสร้างซับซ้อนหลายชั้น หรือมิฉะนั้น ประกอบด้วยการแปลงเชิงเส้นหลาย .
เรียนลึกเข้าไปเป็นส่วนหนึ่งของครอบครัวที่กว้างขึ้นของวิธีการเรียนรู้เครื่องขึ้นอยู่กับการเรียนรู้ เป็นตัวแทนของข้อมูล สังเกตการณ์ ( เช่นรูปภาพ ) สามารถแสดงได้หลายวิธี เช่น เวกเตอร์เข้มค่าต่อพิกเซล หรือ ในทางนามธรรมมากกว่าเป็นชุดของขอบภูมิภาคของเฉพาะรูปร่าง ฯลฯ บางภาพทำให้มันง่ายที่จะเรียนรู้งาน ( เช่นจดจำใบหน้าหรือการรับรู้สีหน้า [ 6 ] ) จากตัวอย่าง หนึ่งในสัญญาของการเรียนรู้แบบลึก เปลี่ยนคุณสมบัติ handcrafted กับขั้นตอนวิธีที่มีประสิทธิภาพสำหรับ unsupervised หรือกึ่งมีคุณลักษณะการเรียนรู้และการสกัดคุณลักษณะลำดับชั้น .
การวิจัยในพื้นที่นี้ พยายามที่จะทำให้ภาพดีขึ้น และสร้างแบบจำลองเพื่อเรียนรู้แนวทางเหล่านี้จากข้อมูลที่ใกล้เคียงกันขนาดใหญ่ บางส่วนของภาพที่เป็นแรงบันดาลใจความก้าวหน้าในประสาทวิทยาศาสตร์และหลวม ๆตามความหมายของการประมวลผลข้อมูล และการติดต่อสื่อสารในระบบประสาทเช่น ประสาทนะครับ ซึ่งพยายามที่จะกำหนดความสัมพันธ์ระหว่างสิ่งเร้าและการตอบสนองในลักษณะต่าง ๆที่สมอง การเรียนรู้ต่าง ๆเช่น ลึก
สถาปัตยกรรมโครงข่ายประสาทลึก ขดลึกเครือข่ายประสาท โครงข่ายความเชื่อลึกและเครือข่ายประสาทกำเริบได้นำไปใช้กับเขตข้อมูลเช่นวิสัยทัศน์คอมพิวเตอร์ , การรู้จำเสียงพูดอัตโนมัติ การประมวลผลภาษาธรรมชาติaudio recognition ( bioinformatics คะแนนเวลา been shown to produce results state-of-the-art on tasks ย่าง .