मैं AI StackExchange ब्राउज़ कर रहा था और एक बहुत ही समान सवाल पर भागा: क्या अन्य न्यूरल नेटवर्क से "डीप लर्निंग" को अलग करता है?
चूंकि AI StackExchange कल (फिर से) बंद हो जाएगा, मैं यहां दो शीर्ष उत्तरों की प्रतिलिपि बनाऊंगा (उपयोगकर्ता योगदान के साथ cc by-sa 3.0 के तहत लाइसेंस प्राप्त करना आवश्यक है):
लेखक: mommi84less
दो अच्छी तरह से उद्धृत 2006 के कागजात ने शोध के हित को गहन शिक्षा में वापस लाया। में "एक तेजी से गहरी विश्वास के जाल के लिए एल्गोरिथ्म सीखने" , लेखकों के रूप में एक गहरी विश्वास शुद्ध निर्धारित किए हैं:
[...] घनी-जुड़ी आस्था जाल जिसमें कई छिपी हुई परतें होती हैं।
हम " डीप नेटवर्क्स के लालची-समझदार प्रशिक्षण " में गहरे नेटवर्क के लिए लगभग एक ही विवरण पाते हैं :
डीप मल्टी-लेयर न्यूरल नेटवर्क में गैर-रैखिकता के कई स्तर होते हैं [...]
फिर, सर्वे पेपर "रिप्रेजेंटेशन लर्निंग: ए रिव्यू एंड न्यू पर्सपेक्टिव्स" में , डीप लर्निंग का उपयोग सभी तकनीकों को शामिल करने के लिए किया जाता है ( यह बात भी देखें ) और इसे इस रूप में परिभाषित किया गया है:
[...] प्रतिनिधित्व के कई स्तरों का निर्माण या सुविधाओं के पदानुक्रम को सीखना।
विशेषण "डीप" इस प्रकार ऊपर के लेखकों द्वारा कई गैर-रेखीय छिपी परतों के उपयोग को उजागर करने के लिए उपयोग किया गया था ।
लेखक: lejlot
बस @ mommi84 जवाब में जोड़ने के लिए।
डीप लर्निंग तंत्रिका नेटवर्क तक सीमित नहीं है। यह केवल हिंटन के डीबीएन आदि की तुलना में अधिक व्यापक अवधारणा है
प्रतिनिधित्व के कई स्तरों का निर्माण या सुविधाओं का एक पदानुक्रम सीखना।
तो यह पदानुक्रमित प्रतिनिधित्व
एल्गोरिदम सीखने के लिए एक नाम है। हिडन मार्कोव मॉडल, कंडिशनल रैंडम फील्ड्स, सपोर्ट वेक्टर मशीन आदि पर आधारित गहरे मॉडल हैं। केवल एक सामान्य बात यह है कि इसके बजाय (90 के दशक में) फीचर इंजीनियरिंग , जहां शोधकर्ता सुविधाओं के सेट बनाने की कोशिश कर रहे थे, कुछ वर्गीकरण समस्या को हल करने के लिए सबसे अच्छा है - ये मशीनें कच्चे डेटा से अपने स्वयं के प्रतिनिधित्व का काम कर सकती हैं। विशेष रूप से - छवि मान्यता (कच्ची छवियों) पर लागू होते हैं, वे कई स्तरों का प्रतिनिधित्व करते हैं, जिसमें पिक्सेल, फिर लाइनें, फिर चेहरे की विशेषताएं (यदि हम चेहरे के साथ काम कर रहे हैं) जैसे नाक, आंखें और अंत में सामान्यीकृत चेहरे शामिल हैं। अगर नेचुरल लैंग्वेज प्रोसेसिंग पर लागू किया जाता है - वे भाषा मॉडल का निर्माण करते हैं, जो शब्दों को विखंडू, विखंडू को वाक्य आदि में जोड़ता है।
एक और दिलचस्प स्लाइड:
स्रोत
