Johdanto
Syväoppiminen on kehittynyt koneoppimisen muoto, joka yrittää jäljitellä ihmisaivojen oppimistapaa.
Aivoissasi on hermosoluja, joita kutsutaan neuroneiksi, jotka on yhdistetty toisiinsa hermolaajennuksista, jotka läpäisevät sähkökemiallisia signaaleja verkon kautta.
Kun verkon ensimmäinen neuroni stimuloi, syötesignaali käsitellään, ja jos se ylittää tietyn kynnysarvon, neuroni aktivoituu ja välittää signaalin neuronille, johon se on yhdistetty. Nämä neuronit voivat vuorostaan aktivoitua ja välittää signaalin muun verkon kautta. Ajan myötä neuronien välisiä yhteyksiä lisätään usein, kun opit reagoimaan tehokkaasti. Jos joku esimerkiksi heittää pallon sinua kohti, neuronin yhteyksien avulla voit käsitellä visuaalisia tietoja ja koordinoida liikkeitäsi saadaksesi pallon kiinni. Jos suoritat tämän toiminnon toistuvasti, pallon pyydystämiseen osallistuvien neuronien verkosto kasvaa vahvemmaksi, kun opit, miten olla parempi saamaan pallo.
Syväoppiminen emuloi tätä biologista prosessia käyttäen keinotekoisia hermoverkkoja, jotka käsittelevät numeerisia syötteitä sähkökemiallisten ärsykkeiden sijaan.
Saapuvat hermoyhteydet korvataan numeerisilla syötteillä, jotka yleensä tunnistetaan x. Kun syötearvoja on useampi kuin yksi, x katsotaan vektoriksi, jonka elementit ovat nimeltään x1, x2, ja niin edelleen.
Kuhunkin x arvoon liittyy paino (w), jonka avulla vahvistetaan tai heikennetään x -arvoa oppimisen simulointiin. Lisäksi lisätään puolueellisuus (b) syötteen, jotta verkkoa voidaan valvoa tarkasti. Harjoitusprosessin aikana ja b-arvoja säädetään verkon hienosäätämiseksi, jotta se oppii tuottamaan oikeat tulokset.
Neuroni itse kapseloi funktion, joka laskee painotetun summan x, w, ja b. Tämä funktio puolestaan on suljettu aktivointifunktioon joka rajoittaa tulosta (usein arvoon 0–1) määrittääkseen, välittääkö neuroni tulosteen verkon seuraavaan neuronikerrokseen.