תלמידי הנדסת תוכנה בסמינר

סמינר הנדסת תוכנה מקבלים העשרה על בינה מלאכותית ו Deep Learning
באוניברסיטת בן גוריון בבאר שבע

למידה עמוקה (באנגלית: Deep Learning ולפעמים Deep Structured Learning) היא חלק ממשפחה רחבה יותר של שיטות למידת מכונה המבוססות על רשתות עצביות מלאכותיות עם למידת ייצוג או למידת מאפיינים. הלמידה יכולה להיות בפיקוח, בפיקוח חלקי או ללא פיקוח.

ארכיטקטורות למידה עמוקה כגון רשתות עצביות עמוקות (deep neural networks), רשתות אמונות עמוקות (deep belief networks), למידה בפיקוח עמוק (deep reinforcement learning), רשתות עצביות חוזרות (recurrent neural networks), ורשתות עצביות מתפתחות יושמו בתחומים מגוונים ביניהם תחומי: ראייה ממוחשבת, זיהוי דיבור, עיבוד שפה טבעית, תרגום מכונה, ביואינפורמטיקה, עיצוב תרופות, ניתוח תמונות רפואיות, בדיקות חומרים ומשחקי לוח, שבהן הם הניבו תוצאות דומות ובמקרים מסוימים עולים על ביצועי המומחים האנושיים.

מודל רשת עצבים מלאכותית (ANN) נוצרו בהשראת עיבוד מידע וצמתי תקשורת מבוזרים המצויים במערכות ביולוגיות. אמנם, ל-ANN הבדלים שונים ממוח ביולוגי. באופן ספציפי, רשתות עצבים מלאכותיות נוטות להיות סטטיות וסמליות, בעוד שהמוח הביולוגי של רוב האורגניזמים החיים הוא דינמי (פלסטי) ואנלוגי.

שם התואר "עמוק" בלמידה עמוקה מתייחס לשימוש במספר רבדים ברשת. עבודה מוקדמת הראתה שאלגוריתם קולטן ליניארי אינו יכול להיות מסַוֶג אוניברסלי, אולם היא הראתה גם שרשת עם פונקציית הפעלה לא פולינומית עם שכבה נסתרת אחת ברוחב לא מוגבל כן יכולה. למידה עמוקה היא וריאציה מודרנית העוסקת במספר בלתי מוגבל של שכבות בגודל מוגבל, המאפשרת יישום מעשי ויישום מיטבי, תוך שמירה על אוניברסליות תאורטית בתנאים "מתונים". בלמידה עמוקה, גם מותר לשכבות להיות הטרוגניות ולסטות באופן ניכר ממודלים מקושרים ביולוגיים (connectionism), לטובת יעילות, אימוניות (trainability) ובהירות (understandability), ומשם נובע התוספת "structured" שבשם "Deep Structured Learning".

 

מקור

הגדרות כלליות כניסה למערכת
שינוי גודל גופנים
ניגודיות