Wikiszótár

deep learning

Angol

Főnév

deep learning (tsz. deep learnings)

  1. (informatika, mesterséges intelligencia) A deep learning (mélytanulás) egy mesterséges intelligencia (MI) és gépi tanulás (ML) ága, amely a mesterséges neurális hálózatok használatára összpontosít az adatok elemzésére és az összetett minták és összefüggések felfedezésére. A mélytanulás különösen sikeres olyan területeken, mint a számítógépes látás, a természetes nyelvfeldolgozás (NLP) és az automatizált döntéshozatal.

Főbb jellemzők:

  1. Neurális hálózatok:
    • A mélytanulás mesterséges neurális hálózatokon alapul, amelyek inspirációt merítenek az emberi agy működéséből. A neurális hálózatok rétegekből állnak, ahol a bemeneti réteg a nyers adatokat fogadja, a rejtett rétegek feldolgozzák az információt, és a kimeneti réteg a végső eredményeket generálja.
  2. Rétegek és mélység:
    • A „mély” kifejezés a neurális hálózatok rétegeinek számát jelenti. A mélytanulás általában több rejtett réteget használ, ami lehetővé teszi a bonyolult minták és összefüggések hatékonyabb észlelését.
  3. Önmagukban tanulás:
    • A mélytanuló algoritmusok képesek önállóan tanulni az adatokból, azaz nem szükséges manuálisan előre definiált jellemzőket megadni. Ez lehetővé teszi a mélytanulás alkalmazását olyan területeken, ahol a bemeneti adatok bonyolultak és nehezen jellemezhetők.
  4. Nagy adathalmazok:
    • A mélytanulás algoritmusok általában nagy mennyiségű adatot igényelnek a tanulási folyamathoz. A megfelelő mennyiségű és minőségű adat segíti a modellek általánosítását és teljesítményének javítását.
  5. GPU támogatás:
    • A mélytanulás számításigényes folyamat, és a grafikus feldolgozó egységek (GPU-k) jelentős gyorsítást nyújtanak a neurális hálózatok betanításában és az inferenciában.

Alkalmazási területek:

  1. Számítógépes látás:
    • A mélytanulás sikeresen alkalmazható képek és videók elemzésére, például objektumok felismerésére, arcfelismerésre és képosztályozásra.
  2. Természetes nyelvfeldolgozás (NLP):
    • A mélytanulás technikák segítenek a szövegek megértésében, fordításában, érzéselemzésben és chatbote-k fejlesztésében.
  3. Autonóm járművek:
    • A mélytanulás lehetővé teszi az önvezető autók számára a környezetük észlelését és a döntéshozatalt valós időben.
  4. Egészségügy:
    • A mélytanulás alkalmazásai közé tartozik a diagnosztikai képek elemzése, a betegadatok előrejelzése és az orvosi döntéstámogató rendszerek fejlesztése.
  5. Pénzügyi szolgáltatások:
    • A mélytanulás használható kockázatelemzésre, csalásmegelőzésre és piaci előrejelzések készítésére.

Előnyök:

  1. Magas teljesítmény: A mélytanulás gyakran kiemelkedő teljesítményt nyújt a bonyolult problémák megoldásában, különösen akkor, ha nagy mennyiségű adat áll rendelkezésre.
  2. Önálló tanulás: A mélytanulás modellek képesek önállóan tanulni, ami csökkenti az adatok előfeldolgozásához szükséges időt és erőfeszítést.
  3. Alkalmazhatóság: A mélytanulás széles körben alkalmazható különböző iparágakban és területeken, a képfeldolgozástól a nyelvi feldolgozásig.

Hátrányok:

  1. Adatigény: A mélytanulás modellek általában nagy mennyiségű adatot igényelnek a tanuláshoz, ami nem mindig elérhető.
  2. Számítási költség: A mélytanulás számításigényes és drága erőforrásokat igényel, például erős GPU-kat, amelyek növelhetik a költségeket.
  3. Kiszervezés és magyarázhatóság: A mélytanulás modellek “fekete dobozok”, amelyeket nehéz megérteni és értelmezni, ami problémát jelenthet a kritikus alkalmazásokban, ahol a döntések magyarázata szükséges.

Összegzés

A deep learning egy dinamikusan fejlődő terület, amely jelentős hatással van a mesterséges intelligencia és gépi tanulás világára. Az összetett minták és összefüggések észlelésére és az önálló tanulásra való képessége miatt a mélytanulás széleskörű alkalmazásokat talál számos iparágban, a számítógépes látástól kezdve a természetes nyelvfeldolgozásig. Bár a mélytanulás számos előnnyel jár, a hozzá szükséges erőforrások és az adatigény miatt a kihívások is jelentősek.

Software Creator Initial release Software license Open source Platform Written in Interface OpenMP support OpenCL support CUDA support ROCm support Automatic differentiation Has pretrained models Recurrent nets Convolutional nets RBM/DBNs Parallel execution (multi node) Actively developed
BigDL Jason Dai (Intel) 2016 free igen Apache Spark Scala Scala, Python nincs nincs igen igen igen igen
Caffe Berkeley Vision and Learning Center 2013 BSD-lic igen Linux, macOS, Windows C++ Python, MATLAB, C++ igen Under development igen nincs igen igen igen igen nincs ? nincs
Chainer Preferred Networks 2015 BSD-lic igen Linux, macOS Python Python nincs nincs igen nincs igen igen igen igen nincs igen nincs
Deeplearning4j Skymind engineering team; Deeplearning4j community; originally Adam Gibson 2014 free igen Linux, macOS, Windows, Android (Cross-platform) C++, Java Java, Scala, Clojure, Python (Keras), Kotlin igen nincs igen nincs igen igen igen igen igen igen igen
Dlib Davis King 2002 free igen Cross-platform C++ C++, Python igen nincs igen nincs igen igen nincs igen igen igen igen
Flux Mike Innes 2017 free igen Linux, MacOS, Windows (Cross-platform) Julia Julia igen nincs igen igen igen igen nincs igen igen
Intel Data Analytics Acceleration Library Intel 2015 free igen Linux, macOS, Windows on Intel CPU C++, Python, Java C++, Python, Java igen nincs nincs nincs igen nincs igen igen igen
Intel Math Kernel Library 2017 Intel 2017 Proprietary nincs Linux, macOS, Windows on Intel CPU C/C++, DPC++, Fortran C igen nincs nincs nincs igen nincs igen igen nincs igen
Google JAX Google 2018 free igen Linux, macOS, Windows Python Python ? nincs igen nincs igen igen
Keras François Chollet 2015 free igen Linux, macOS, Windows Python Python, R ? ? igen nincs igen igen igen igen nincs igen igen
MATLAB + Deep Learning Toolbox (formally Neural Network Toolbox) MathWorks 1992 Proprietary nincs Linux, macOS, Windows C, C++, Java, MATLAB MATLAB nincs nincs igen nincs igen igen igen igen igen igen igen
Microsoft Cognitive Toolkit (CNTK) Microsoft Research 2016 free igen Windows, Linux C++ Python (Keras), C++, Command line, igen nincs igen nincs igen igen igen igen nincs igen nincs
ML.NET Microsoft 2018 free igen Windows, Linux, macOS C#, C++ C#, F# igen
Apache MXNet Apache Software Foundation 2015 free igen Linux, macOS, Windows, Small C++ core library C++, Python, Julia, MATLAB, JavaScript, Go, R, Scala, Perl, Clojure igen nincs igen nincs igen igen igen igen igen igen nincs
Neural Designer Artelnics 2014 Proprietary nincs Linux, macOS, Windows C++ Graphical user interface igen nincs igen nincs nincs nincs nincs nincs nincs igen igen
OpenNN Artelnics 2003 LGPL igen Cross-platform C++ C++ igen nincs igen nincs ? ? nincs nincs nincs ? igen
PlaidML Vertex.AI, Intel 2017 free igen Linux, macOS, Windows Python, C++, OpenCL Python, C++ ? igen nincs nincs igen igen igen igen igen igen
PyTorch Adam Paszke, Sam Gross, Soumith Chintala, Gregory Chanan (Facebook) 2016 BSD-lic igen Linux, macOS, Windows, Android Python, C, C++, CUDA Python, C++, Julia, R igen ? igen igen igen igen igen igen igen igen igen
Apache SINGA Apache Software Foundation 2015 free igen Linux, macOS, Windows C++ Python, C++, Java nincs ? igen nincs ? igen igen igen igen igen igen
TensorFlow Google Brain 2015 free igen Linux, macOS, Windows, C++, Python, CUDA Python (Keras), C/C++, Java, Go, JavaScript, R, nincs ? igen igen igen igen igen igen igen igen igen
Theano Université de Montréal 2007 BSD-lic igen Cross-platform Python Python (Keras) igen Under development igen nincs igen Through Lasagne's model zoo igen igen igen igen nincs
Torch Ronan Collobert, Koray Kavukcuoglu, Clement Farabet 2002 BSD-lic igen Linux, macOS, Windows, C, Lua Lua, LuaJIT, igen Third party implementations igen nincs Through Twitter's Autograd igen igen igen igen igen nincs
Wolfram Mathematica 10 Wolfram Research 2014 Proprietary nincs Windows, macOS, Linux, Cloud computing C++, Wolfram Language, CUDA Wolfram Language igen nincs igen nincs igen igen igen igen igen igen igen
Software Creator Initial release Software license Open source Platform Written in Interface OpenMP support OpenCL support CUDA support ROCm support Automatic differentiation Has pretrained models Recurrent nets Convolutional nets RBM/DBNs Parallel execution (multi node) Actively developed


További információk

A lap eredeti címe: „https://hu.wiktionary.org/w/index.php?title=deep_learning&oldid=3455555”