Group items tagged

L'apprentissage en profondeur est un ensemble de algorithmes en apprentissage machine qui tentent de modéliser des abstractions de haut niveau dans les données en utilisant des architectures de modèles composés de multiples transformations non-linéaires. [ 1 ] [ 2 ] [ 3 ] L'apprentissage en profondeur fait partie d'une famille plus large de l'apprentissage automatique des méthodes basées sur des représentations d'apprentissage de données. Une observation (par exemple, une image) peut être représenté de plusieurs façons (par exemple, un vecteur de pixels ), mais certaines représentations qu'il soit plus facile d'apprendre des tâches d'intérêt (par exemple, est-ce l'image d'un visage humain?) à partir d'exemples, et de la recherche dans ce domaine vise à définir ce qui fait de meilleures représentations et comment créer des modèles pour apprendre ces représentations. Différentes architectures d'apprentissage en profondeur, tels que les réseaux profonds de neurones , réseaux de neurones profonds de convolution , et les réseaux de croyances profondes ont été appliquées à des domaines tels que la vision par ordinateur , la reconnaissance automatique de la parole , traitement du langage naturel , et de la musique / reconnaissance du signal audio où ils ont été présentés à produire état résultats -of-la-art sur ​​différentes tâches. Sinon, "l'apprentissage en profondeur» a été caractérisé comme «juste un mot à la mode pour les réseaux de neurones "

"Le cadre profonde apprentissage distribué est faite pour la saisie des données et la formation du réseau neuronal à l'échelle, et sa sortie devrait être des modèles prédictifs de haute précision."