Deep learning нь хүний тархины шийдвэр гаргах цогц хүчийг загварчлахын тулд гүн мэдрэлийн сүлжээ гэж нэрлэгддэг олон давхаргат мэдрэлийн сүлжээг ашигладаг машин сургалтын дэд хэсэг юм . Deep learning зарим хэлбэр нь өнөөгийн бидний амьдрал дахь хиймэл оюун ухааны (AI) ихэнхийг хүчирхэгжүүлдэг .Deep learning нь хиймэл оюун ухаан (AI) дахь арга бөгөөд компьютерт хүний тархинаас өдөөгдсөн арга замаар өгөгдлийг боловсруулахыг заадаг. Deep learning загварууд нь зураг, текст, дуу авиа болон бусад өгөгдлийн нарийн төвөгтэй хэв маягийг таньж, үнэн зөв ойлголт, таамаглал гаргах боломжтой. Зургийг дүрслэх, дууны файлыг текст болгон хөрвүүлэх гэх мэт хүний оюун ухаан шаарддаг ажлуудыг автоматжуулахын тулд deep learning аргуудыг ашиглаж болно.
Deep learning загварууд нь ихэвчлэн хүний тархины бүтэц, үйл ажиллагаанаас сэдэвлэсэн хиймэл мэдрэлийн сүлжээнд суурилдаг. Эдгээр сүлжээнүүд нь хоорондоо холбогдсон зангилаа буюу хиймэл мэдрэлийн эсүүдээс бүрдэх ба давхаргуудаар зохион байгуулагддаг. Оролтын давхарга нь анхны өгөгдлийг хүлээн авдаг бөгөөд дараа нь гаралтыг гаргахын өмнө нэг буюу хэд хэдэн далд давхаргуудаар боловсруулагддаг.
Deep learning нь уламжлалт машин сургалтын алгоритмуудаас ялгагдах зүйл бол мэдрэлийн сүлжээнд олон далд давхаргууд байдаг. Эдгээр давхаргууд нь сүлжээнд өгөгдлийн шаталсан дүрслэлийг сурах боломжийг олгодог бөгөөд давхарга бүр оролтоос хийсвэр шинж чанаруудыг гаргаж авдаг.
Deep learning загварууд нь түүхий өгөгдлөөс онцлог шинж чанаруудыг гаргаж авахыг автоматаар сурч, гарын авлагын онцлог инженерчлэлийн хэрэгцээг арилгадаг. Энэ нь ялангуяа зураг, яриа таних гэх мэт холбогдох шинж чанарууд нь нарийн төвөгтэй, тодорхой тодорхойлоход хэцүү байдаг ажлуудын хувьд давуу талтай. Deep learning загваруудыг буцаан тархалт гэж нэрлэгддэг процессоор дамжуулан их хэмжээний шошготой өгөгдлийг ашиглан сургадаг. Сургалтын явцад загвар нь өөрийн таамаглал болон сургалтын өгөгдлийн жинхэнэ шошго хоорондын ялгааг багасгахын тулд дотоод параметрүүдийг тохируулдаг.
Convolutional Neural Networks (CNNs) нь зураг, видео зэрэг визуал өгөгдлийг боловсруулахад түгээмэл хэрэглэгддэг deep learning загварын нэг төрөл юм. Эдгээр нь эргэлтийн давхаргууд, нэгтгэх давхаргууд, ReLU зэрэг идэвхжүүлэх функцуудыг ашиглан орон зайн шатлалыг олж авахад онцгой үр дүнтэй байдаг.
Recurrent Neural Networks (RNNs) нь цагийн цуваа, текст гэх мэт дараалсан өгөгдөлд тохирсон гүнзгий суралцах өөр төрлийн загвар юм. Урьдчилан дамжуулах сүлжээнээс ялгаатай нь RNN нь чиглүүлсэн цикл үүсгэдэг холболттой бөгөөд өгөгдөл дэх түр зуурын хамаарлыг олж авах боломжийг олгодог.
Deep learning загваруудыг сургах нь ихээхэн хэмжээний тооцооллын нөөц шаарддаг бөгөөд энэ нь процессыг хурдасгахын тулд GPU болон TPU зэрэг тусгай техник хангамжийн хурдасгууруудыг хөгжүүлэхэд хүргэдэг. Deep learning нь хиймэл оюун ухааны салбарт хувьсгал хийж, дүрс, яриа танихаас эхлээд байгалийн хэлийг ойлгох, бие даасан систем хүртэл янз бүрийн хэрэглээнд мэдэгдэхүйц ахиц дэвшилд хүргэсэн.
