Definisjon
Dyp læring er et underfelt av maskinlæring som bruker flerlags kunstige nevrale nettverk for å lære mønstre fra store datasett. Det utmerker seg i oppgaver som bildegjenkjenning, tale og naturlig språkbehandling.
Formål
Hensikten er å automatisk lære funksjoner og representasjoner fra rådata uten tung manuell funksjonsutvikling. Det muliggjør gjennombrudd innen AI-ytelse.
Viktigheten
- Driver toppmoderne AI innen syn, tale og NLP.
- Krever store datasett og dataressurser.
- Mindre tolkbar sammenlignet med tradisjonelle ML-metoder.
- Driver både akademisk forskning og kommersielle anvendelser.
Slik fungerer det
- Definer nettverksarkitektur med flere skjulte lag.
- Mat inndata og forplant dem videre gjennom nettverket.
- Beregn feil mot sannheten på bakken.
- Backpropagate-feil for å oppdatere vekter.
- Gjenta treningen til nøyaktigheten stabiliserer seg.
Eksempler (den virkelige verden)
- Google Translate: bruker dype nevrale nettverk for maskinoversettelse.
- AlphaFold (DeepMind): proteinstrukturprediksjon med dyp læring.
- Tesla Autopilot: dype nevrale nettverk for visjon i selvkjøring.
Referanser / Videre lesning
- Dyp læring — Goodfellow, Bengio og Courville (MIT Press).
- «ImageNet-klassifisering med dype CNN-er» — Krizhevsky et al., NeurIPS 2012.
- Stanford CS231n: Konvolusjonelle nevrale nettverk for visuell gjenkjenning.
