Deep Learning

Deep learning (aprendizagem profunda) é um conjunto de algoritmos de aprendizagem de máquina que a tentativa de modelar abstrações de alto nível em dados usando arquiteturas compostas por múltiplas transformações não-lineares.

Aprendizagem profunda é parte de uma família mais ampla de métodos de aprendizado de máquina baseado em representações de aprendizagem.
Uma observação (por exemplo, uma imagem) pode ser representada de várias maneiras (por exemplo, um vetor de pixels), mas algumas representações torná-lo mais fácil de aprender tarefas de interesse (por exemplo, esta é a imagem de um rosto humano?)

A partir de exemplos, e pesquisa nesta área tenta definir o que faz melhores representações e como criar modelos para aprender essas representações.

No deep learning ocorre a experimentação de diversos mecanismos conhecidos de aprendizado de máquina para ver qual melhor adequa-se ao problema compreendido.

Algoritmos de aprendizagem profunda são baseadas em "representações distribuídas", um conceito utilizado em aprendizagem automática. O pressuposto subjacente a representações distribuídas é que os dados observados é gerado pela interação de muitos fatores diferentes em diferentes níveis. Aprendizagem profunda acrescenta a suposição de que esses fatores estão organizados em vários níveis , que correspondem a diferentes níveis de abstração ou composição. Variação do número de camadas e da camada de tamanhos podem ser usados ​​para fornecer quantidades diferentes de abstracção.

Algoritmos de aprendizagem de profundidade , em particular explorar essa idéia de fatores explicativos hierárquicos. Diferentes conceitos são aprendidas de outros conceitos , com os conceitos mais abstratos de nível, maior a ser aprendido com os níveis mais baixos. Essas arquiteturas são muitas vezes construídos com um método guloso camada por camada, que os modelos dessa idéia. Aprendizagem profunda ajuda a separar essas abstrações e escolher quais recursos são úteis para o aprendizado.

Muitos algoritmos de aprendizagem profunda são realmente enquadrados como problemas de aprendizagem não supervisionadas.
Por causa disto, estes algoritmos podem fazer uso de "dados não marcados" que outros algoritmos não pode. "Dados não marcados" são geralmente mais abundante do que os dados rotulados, tornando este um benefício muito importante destes algoritmos.