Deep Learning

'Deep Learning' este o ramura a 'Machine Learning' care învață computerele să facă ceea ce
vine firesc la oameni: să învețe prin exemplu. 'Deep Learning' este o tehnologie cheie în spatele
mașinilor fără șoferi, care le permite să recunoască un semn de oprire sau să distingă un pieton de
un far. Este cheia controlului vocal pe dispozitivele de consum, cum ar fi telefoanele, tabletele,
televizoarele și boxele hands-free. 'Deep Learning' primește multă atenție în ultima perioadă și
dintr-un motiv întemeiat. Obține rezultate care până acum nu erau posibile.
În 'Deep Learning' un model de calculator învață să efectueze sarcini de clasificare direct din
imagini, text sau sunet. Modelele de 'Deeep Learning' pot obține o precizie de nivel mai inalt ca
niciodata , depășind uneori performanțele la nivel uman. Modelele sunt instruite folosind un set
mare de date etichetate și arhitecturi de rețele neuronale care conțin multe straturi.

În timp ce învățarea profundă a fost teoretizată pentru prima dată în anii 1980, există două
motive principale pentru care recent a devenit utilă:
•Învățarea profundă necesită cantități mari de date etichetate. De exemplu, dezvoltarea de mașini
fără șofer necesită milioane de imagini și mii de ore de videoclip
•Învățarea profundă necesită o putere de calcul substanțială. GPU-urile de înaltă performanță au o
arhitectură paralelă eficientă pentru învățarea profundă. Dacă este combinat cu clustere sau cloud
computing, acest lucru permite echipelor de dezvoltare să reducă timpul de pregătire pentru o rețea
de Deep Learning de la săptămâni la ore sau mai puțin.

Cum functionea 'Deep Learning'

Majoritatea metodelor de Deep Learning folosesc arhitecturi de rețele neuronale, motiv

pentru care modelele de Deep Learning sunt adesea denumite rețele neuronale profunde (deep
neural networks )
Termenul „deep” se referă de obicei la numărul de straturi ascunse din rețeaua neuronală.
Rețelele neuronale tradiționale conțin doar 2-3 straturi ascunse, în timp ce rețelele profunde pot
avea până la 150.
Modele de Deep learning sunt instuite folosind seturi mari de date etichetate si arhitecturi de
retele neuronale care invata caracteristici direct din date,fara a fi nevoie de extragerea manuala a
caracteristicii

Învățarea automată oferă o varietate de tehnici și modele pe care le puteți alege în

funcție de aplicația dvs., dimensiunea datelor pe care le prelucrați și tipul de problemă pe care
doriți să o rezolvați. O aplicație de învățare profundă de succes necesită o cantitate foarte
mare de date (mii de imagini) pentru a antrena modelul, precum și GPU-urile sau unitățile de
procesare grafică, pentru a vă procesa rapid datele.

Atunci când alegeți între învățarea automată și învățarea profundă, luați în considerare dacă
aveți un GPU performant și o mulțime de date etichetate. Dacă nu aveți niciunul dintre aceste
aspecte, poate avea mai mult sens să utilizați învățarea automată în loc de învățare profundă.
Învățarea profundă este, în general, mai complexă, așa că veți avea nevoie de cel puțin câteva
mii de imagini pentru a obține rezultate fiabile. Având un GPU performant înseamnă că
modelul va dura mai puțin timp pentru a analiza toate acele imagini

În ultimii ani s-au realizat numeroase încercări de a proiecta circuite electronice care să
copieze cât mai fidel
Re
ț
elele Neuronale
 
Biologice
(RNB)
ș
i atributele lor. Astfel s-audezvoltat
modelele
 
de rețele neuronale
 mai mult sau mai pu
țin asemă
n
ă
toare cu re
ț
eleleneuronale biologice.