Indførelsen
Deep learning er en avanceret form for maskinel indlæring, der forsøger at emulere den måde, den menneskelige hjerne lærer på.
I din hjerne har du nerveceller kaldet neuroner, som er forbundet med hinanden ved nerveudvidelser, der passerer elektrokemiske signaler gennem netværket.
Når den første neuron i netværket stimuleres, behandles inputsignalet, og hvis det overskrider en bestemt tærskel, aktiveres neuronen og sender signalet videre til de neuroner, som det er forbundet til. Disse neuroner igen kan aktiveres og sende signalet på gennem resten af netværket. Over tid styrkes forbindelserne mellem neuronerne ved hyppig brug, når du lærer at reagere effektivt. Hvis nogen f.eks. kaster en kugle mod dig, giver dine neuronforbindelser dig mulighed for at behandle de visuelle oplysninger og koordinere dine bevægelser for at fange bolden. Hvis du udfører denne handling gentagne gange, vil netværket af neuroner, der er involveret i at fange en bold, vokse sig stærkere, når du lærer at være bedre til at fange en bold.
Dyb læring emulerer denne biologiske proces ved hjælp af kunstige neurale netværk, der behandler numeriske input i stedet for elektrokemiske stimuli.
De indgående nerveforbindelser erstattes af numeriske input, der typisk identificeres som x. Når der er mere end én inputværdi, betragtes x som en vektor med elementer med navnet x1, x2osv.
Knyttet til hver x værdi er en vægt (w), som bruges til at styrke eller svække effekten af den x værdi til at simulere læring. Der tilføjes desuden en bias (b) for at muliggøre detaljeret kontrol over netværket. Under oplæringen justeres w og b værdier for at tilpasse netværket, så det "lærer" at producere korrekte output.
Neuron selv indkapsler en funktion, der beregner en vægtet sum af x, wog b. Denne funktion er igen omsluttet af en aktiveringsfunktion, der begrænser resultatet (ofte til en værdi mellem 0 og 1) for at afgøre, om neuronen overfører et output til det næste lag af neuroner i netværket.