Deep learning is verbonden aan machine learning en neurale netwerken, zodat we deze twee onderwerpen in eerdere series bespraken. We sluiten onze drieluik af met een serie over deep learning. In latere artikelen kijken we naar de werking en toepassingen van deep learning. We beginnen echter met een introductie waarin we een definitie geven. Wat is deep learning?
Deep learning heeft als doel om machine learning dichter bij een van zijn oorspronkelijke doelen te brengen: Artificial Intelligence (AI). AI omvat een breed scala van technologieën waarmee computers problemen kunnen oplossen op een manier die (op zijn minst oppervlakkig) lijkt op het menselijke denken. Binnen dat rijk is een kleinere categorie genaamd machine learning, dat is de naam voor een hele toolbox van wiskundige technieken waarmee computers door middel van ervaring kunnen verbeteren bij het uitvoeren van taken. Tenslotte bevindt zich binnen dit machine learning de kleinere subcategorie deep learning. Deep learning richt zich nog nauwer op een subset van machine learning tools en technieken door de inzet van diepe neurale netwerken,
Tekst gaat verder onder de afbeelding.
Bij deep learning worden de algoritmen in lagen opgebouwd om een kunstmatig neuraal netwerk te maken, vergelijkbaar met een menselijk brein.
Diepe neurale netwerken worden onderscheiden van andere neurale netwerken door hun diepte. Een diep neuraal netwerk is een neuraal netwerk met meerdere lagen tussen de input- en outputlagen. Het grote aantal lagen maakt complexe transformaties mogelijk.
Het mooie aan deep learning is dat de algoritmen zichzelf bij kunnen sturen door hun gewichten aan te passen. Stel je voor dat je frauduleuze creditcard-transacties wilt voorspellen. Bij deep learning betekent dat concreet dat elke laag van het neuraal netwerk in staat is om een specifieke eigenschap te herkennen. De eerste laag gaat bijvoorbeeld op zoek naar hoge bedragen, de tweede naar banken in het buitenland, etc. Komt het systeem met een fout antwoord dan past het netwerk het gewicht dat mee wordt gegeven aan bepaalde neuronen aan. Zo kan een buitenlandse bank uiteindelijk minder belangrijk zijn bij het herkennen van een frauduleuze creditcard-transactie en dus minder zwaar mee moeten wegen. De volgende voorspelling zal op die manier beter kloppen.
Bovenal zijn deze diepe neurale netwerken in staat om latente structuren te ontdekken binnen ongestructureerde en ongelabelde data, oftewel de overgrote meerderheid van alle gegevens ter wereld. Een van de problemen waar deep learning in uitblinkt, is het verwerken en bundelen van deze ruwe data. Oftewel: het onderscheiden van patronen in gegevens die geen mens ooit heeft georganiseerd of een naam heeft gegeven.
Deep learning-technieken zijn op dit moment de state of the art voor het identificeren van patroonherkenning, zoals objecten in afbeeldingen en woorden in geluiden. Deep learning stelt computers namelijk in staat om representaties van data met meerdere abstractieniveaus te leren: van eigenschappen op het laagste niveau naar concepten op het hoogste niveau.
In onze blog lees je meer artikelen over deep learning.
Dit artikel is onderdeel van een serie.
Lees meer:
Deel 1 – Machine learning, neurale netwerken en deep learning uitgelegd
Deel 3 – Hoe werkt deep learning – deep learning uitgelegd
Deel 4 – Voorbeelden van deep learning – de werking uitgelegd
Deel 5 – Toepassingen van deep learning – taal, beeld en zorg
Deel 6 – De toekomst van deep learning – technologie en investeringen
Infographic – Op weg naar echte AI met deep learning
Bronnen – Bronnen 3Bplus artikelen deep learning
