ผลต่างระหว่างรุ่นของ "การเรียนรู้เชิงลึก"

เพิ่มกล่องข้อมูล เพิ่มอ้างอิง
(ย้อนกลับไปรุ่นที่ 7090761 โดย Natty sciด้วยสจห.)
ป้ายระบุ: ทำกลับ
(เพิ่มกล่องข้อมูล เพิ่มอ้างอิง)
 
{{Machine learning bar}}
'''การเรียนรู้เชิงลึก''' ({{lang-en|Deep learning}}) เป็นสาขาของ[[การเรียนรู้ของเครื่อง]] พื้นฐานของการเรียนรู้เชิงลึกคือ [[อัลกอริทึม]]ที่พยายามจะสร้างแบบจำลองเพื่อแทนความหมายของข้อมูลในระดับสูงโดยการสร้างสถาปัตยกรรมข้อมูลขึ้นมาที่ประกอบไปด้วยโครงสร้างย่อยๆหลายอัน และแต่ละอันนั้นได้มาจากการแปลงที่ไม่เป็นเชิงเส้น<ref name="BOOK2014">L. Deng and D. Yu (2014) "Deep Learning: Methods and Applications" http://research.microsoft.com/pubs/209355/DeepLearning-NowPublishing-Vol7-SIG-039.pdf</ref>
 
'''การเรียนรู้เชิงลึก''' ({{lang-en|deep learning}}) เป็นส่วนหนึ่งของวิธีการ[[การเรียนรู้ของเครื่อง]]บนพื้นฐานของ[[โครงข่ายปราสาทเทียม]]และ[[การเรียนเชิงคุณลักษณะ]] การเรียนรู้สามารถเป็นได้ทั้งแบบ[[การเรียนรู้แบบมีผู้สอน]] [[การเรียนรู้แบบกึ่งมีผู้สอน]] และ[[การเรียนรู้แบบไม่มีผู้สอน]]<ref name="NatureBengio">{{cite journal |last1=Bengio |first1=Yoshua |last2=LeCun |first2= Yann| last3=Hinton | first3= Geoffrey|s2cid=3074096 |year=2015 |title=Deep Learning |journal=Nature |volume=521 |issue=7553 |pages=436–444 |doi=10.1038/nature14539 |pmid=26017442|bibcode=2015Natur.521..436L }}</ref>คำว่า "ลึก"ในความหมายมาจากการที่มีชั้นของโครงข่ายหลายชั้น ที่มีประสิทธิภาพมากขึ้น การเรียนที่สะดวกขึ้น และการเข้าใจในโครงสร้างที่ชัดเจนขึ้น
การเรียนรู้เชิงลึก อาจมองได้ว่าเป็นวิธีการหนึ่งของ[[การเรียนรู้ของเครื่อง]]ที่พยายามเรียนรู้วิธีการแทนข้อมูลอย่างมีประสิทธิภาพ ตัวอย่างเช่น รูปภาพภาพหนึ่ง สามารถแทนได้เป็นเวกเตอร์ของความสว่างต่อจุดพิกเซล หรือมองในระดับสูงขึ้นเป็นเซ็ตของขอบของวัตถุต่างๆ หรือมองว่าเป็นพื้นที่ของรูปร่างใดๆก็ได้ การแทนความหมายดังกล่าวจะทำให้การเรียนรู้ที่จะทำงานต่างๆทำได้ง่ายขึ้น ไม่ว่าจะเป็นการรู้จำใบหน้าหรือการรู้จำการแสดงออกทางสีหน้า การเรียนรู้เชิงลึกถือว่าเป็นวิธีการที่มีศักยภาพสูงในการจัดการกับ[[ฟีเจอร์]]สำหรับ[[การเรียนรู้แบบไม่มีผู้สอน]]หรือ[[การเรียนรู้แบบกึ่งมีผู้สอน]]
 
พื้นฐานของการเรียนรู้เชิงลึกคือ [[อัลกอริทึม]]ที่พยายามจะสร้างแบบจำลองเพื่อแทนความหมายของข้อมูลในระดับสูงโดยการสร้างสถาปัตยกรรมข้อมูลขึ้นมาที่ประกอบไปด้วยโครงสร้างย่อยๆหลายอัน และแต่ละอันนั้นได้มาจากการแปลงที่ไม่เป็นเชิงเส้น<ref name="BOOK2014">L. Deng and D. Yu (2014) "Deep Learning: Methods and Applications" http://research.microsoft.com/pubs/209355/DeepLearning-NowPublishing-Vol7-SIG-039.pdf</ref> การเรียนรู้เชิงลึก อาจมองได้ว่าเป็นวิธีการหนึ่งของ[[การเรียนรู้ของเครื่อง]]ที่พยายามเรียนรู้วิธีการแทนข้อมูลอย่างมีประสิทธิภาพ ตัวอย่างเช่น รูปภาพภาพหนึ่ง สามารถแทนได้เป็นเวกเตอร์ของความสว่างต่อจุดพิกเซล หรือมองในระดับสูงขึ้นเป็นเซ็ตของขอบของวัตถุต่างๆ หรือมองว่าเป็นพื้นที่ของรูปร่างใดๆก็ได้ การแทนความหมายดังกล่าวจะทำให้การเรียนรู้ที่จะทำงานต่างๆทำได้ง่ายขึ้น ไม่ว่าจะเป็นการรู้จำใบหน้าหรือการรู้จำการแสดงออกทางสีหน้า การเรียนรู้เชิงลึกถือว่าเป็นวิธีการที่มีศักยภาพสูงในการจัดการกับ[[ฟีเจอร์]]สำหรับ[[การเรียนรู้แบบไม่มีผู้สอน]]หรือ[[การเรียนรู้แบบกึ่งมีผู้สอน]]
นักวิจัยในสาขานี้พยายามจะหาวิธีการที่ดีขึ้นในการแทนข้อมูลแล้วสร้างแบบจำลองเพื่อเรียนรู้จากตัวแทนของข้อมูลเหล่านี้ในระดับใหญ่ บางวิธีการก็ได้แรงบันดาลใจมาจากสาขา[[ประสาทวิทยา]]ขั้นสูง โดยเฉพาะเรื่องกระบวนการตีความหมายในกระบวนการประมวลผลข้อมูลในสมอง ตัวอย่างของกระบวนการที่การเรียนรู้เชิงลึกนำไปใช้ได้แก่ การเข้ารหัสประสาท อันเป็นกระบวนการหาความสัมพันธ์ระหว่างตัวกระตุ้นกับการตอบสนองของเซลล์ประสาทในสมอง
 
นักวิจัยในสาขานี้พยายามจะหาวิธีการที่ดีขึ้นในการแทนข้อมูลแล้วสร้างแบบจำลองเพื่อเรียนรู้จากตัวแทนของข้อมูลเหล่านี้ในระดับใหญ่ บางวิธีการก็ได้แรงบันดาลใจมาจากสาขา[[ประสาทวิทยา]]ขั้นสูง โดยเฉพาะเรื่องกระบวนการตีความหมายในกระบวนการประมวลผลข้อมูลในสมอง ตัวอย่างของกระบวนการที่การเรียนรู้เชิงลึกนำไปใช้ได้แก่ การเข้ารหัสประสาท อันเป็นกระบวนการหาความสัมพันธ์ระหว่างตัวกระตุ้นกับการตอบสนองของเซลล์ประสาทในสมอง นักวิจัยด้าน[[การเรียนรู้ของเครื่อง]]ได้เสนอสถาปัตยกรรมการเรียนรู้หลายแบบบนหลักการของการเรียนรู้เชิงลึกนี้ ได้แก่ [[โครงข่ายประสาทเทียม]]แบบลึก (Deep Artificial Neural Networks) [[โครงข่ายประสาทเทียมแบบสังวัตนาการ]] (Convolutional Neural Networks) [[โครงข่ายความเชื่อแบบลึก]] (Deep Belief Networks) และ[[โครงข่ายประสาทเทียมแบบวนซ้ำ]] (Recurrent Neural Network) ซึ่งมีการนำมาใช้งานอย่างแพร่หลายในทาง[[คอมพิวเตอร์วิทัศน์]] [[การรู้จำเสียงพูด]] [[การประมวลผลภาษาธรรมชาติ]] [[การรู้จำเสียง]] และ[[ชีวสารสนเทศศาสตร์]]
 
== นิยาม ==
72,284

การแก้ไข