איך בנויה למידה עמוקה?
רוב שיטות הלמידה העמוקה משתמשות בארכיטקטורות של רשתות עצביות, וזו הסיבה שמודלים של למידה עמוקה מכונים לעתים קרובות Deep Neural Networks.
המונח "Deep" מתייחס בדרך כלל למספר השכבות הנסתרות (Hidden Layers) ברשת העצבית. רשתות עצביות מסורתיות מכילות רק 2-3 שכבות נסתרות, בעוד שרשתות עמוקות יכולות להכיל עד 150 שכבות.
מודלים של למידה עמוקה מאומנים על ידי שימוש בכמות גדולה של דאטה מתויג וארכיטקטורות רשתות עצביות הלומדים תכונות (features) ישירות מהנתונים, ללא צורך בביצוע חילוץ תכונות (feature extraction) באופן ידני.
למידה עמוקה – Deep Learning
Deep Learning היא טכניקה מעולם הMachine Learning שייעודה ללמד מחשבים לעשות את מה שטבעי לבני האדם: למידה באמצעות דוגמא. תחום ה-Deep Learning זוכה לתשומת לב רבה לאחרונה ולא בכדי, ניתן באמצעותו להשיג תוצאות למשימות מסובכות, שלא היו אפשריות קודם לכן.
Deep Learning משתמש ברשתות עצביות (Neural Networks) כדי ללמוד ייצוגים שימושיים של תכונות ישירות מנתונים, כלומר ללא צורך בחילוץ פיצ'רים מקדים.
במשימות של Deep Learning אנו מחשבים מודל אשר לומד לבצע משימות סיווג ישירות מתמונות, טקסט או קול למשל.
מודלים של למידה עמוקה יכולים להשיג דיוק מרשים, ולפעמים עולים על הביצועים של האדם. מודלים מאומנים באמצעות כמות גדולה של דאטה מתויג שקיים בידינו, ותכנון ארכיטקטורות של רשתות עצביות המכילות שכבות רבות.
