Jump to content

ගැඹුරු ඉගෙනීම (Deep learning)

විකිපීඩියා වෙතින්
Representing images on multiple layers of abstraction in deep learning
ගැඹුරු ඉගෙනීමේදී වියුක්තතාවයේ බහු ස්ථර මත රූප නිරූපණය කිරීම [1]

Deep learning යනු representation learning සහිත neural networks මත පදනම් වූ machine learning ක්‍රමවල උප කාණ්ඩයකි. "Deep" යන විශේෂණය ජාලයේ බහු ස්ථර භාවිතය හැඳින්වීමට යොදා ගනී. භාවිතා කරන ක්‍රම supervised, semi-supervised හෝ unsupervised විය හැකිය. [2]


Deep-learning ව්‍යුහයන් වන deep neural networks, deep belief networks, recurrent neural networks, convolutional neural networks සහ transformers යන තාක්ෂණයන් computer vision, කථන හඳුනාගැනීම, natural language processing, යන්ත්‍ර පරිවර්තනය, bioinformatics, ඖෂධ නිර්මාණය, වෛද්‍ය රූප විශ්ලේෂණය, දේශගුණ විද්‍යාව, ද්‍රව්‍ය පරීක්ෂණ සහ පුවරු ක්‍රීඩා වැඩසටහන් ඇතුළු ක්ෂේත්‍රවලට යොදාගෙන ඇත. මෙම ක්ෂේත්‍රවලදී ඒවා මිනිස් විශේෂඥ කාර්යසාධනයට සමාන සහ සමහර අවස්ථාවලදී එය අභිබවා යන ප්‍රතිඵල ලබා දී ඇත.


ස්නායුක ජාල (neural networks) වල මූලික සංකල්පය ජීව විද්‍යාත්මක පද්ධතීන්ගෙන්, විශේෂයෙන්ම මිනිස් මොළයේ ක්‍රියාකාරීත්වයෙන් ආභාෂය ලබා ඇත. මිනිස් මොළයේ තොරතුරු සැකසීමේ හා සන්නිවේදනය කිරීමේ ක්‍රියාවලිය, බෙදා හැරීමේ සන්නිවේදන නෝඩ (distributed communication nodes) මගින් සිදු වන ආකාරය මෙහිදී අනුකරණය කෙරේ.

කෙසේ වෙතත්, වර්තමානයේ භාවිතා වන කෘත්‍රිම ස්නායුක ජාල (artificial neural networks) ජීවීන්ගේ මොළයේ සම්පූර්ණ ක්‍රියාකාරීත්වය නිවැරදිව අනුකරණය කිරීමට අදහස් නොකරයි. ඇත්ත වශයෙන්ම, මේවා ජෛව මොළයේ ක්‍රියාකාරීත්වයට සාපේක්ෂව ඉතා සරල හා අඩු ගුණාත්මක ආකෘති (simplified and low-fidelity models) ලෙස සැලකේ. මෙම සරල ආකෘති පවා සැලකිය යුතු ප්‍රායෝගික ප්‍රතිඵල ලබා දීමට සමත් වී ඇත. [3]

දළ විශ්ලේෂණය

[සංස්කරණය]

නූතන deep learning ආකෘති බොහෝමයක් convolutional neural networks සහ transformers වැනි බහු-ස්ථර neural networks මත පදනම් වේ. කෙසේ වෙතත්, ඒවාට propositional formulas හෝ deep belief networks සහ deep Boltzmann machines හි nodes මෙන් deep generative models තුළ ස්ථර වශයෙන් සංවිධානය කර ඇති latent variables ද ඇතුළත් විය හැකිය.[4]

මූලික වශයෙන්, deep learning යනු machine learning algorithms පංතියකට අයත් වන අතර, එහිදී ස්ථර ධුරාවලියක් භාවිතා කරමින් ආදාන දත්ත (input data) මඳක් වැඩි අමූර්ත සහ සංයුක්ත නිරූපණයක් බවට පරිවර්තනය කරයි. උදාහරණයක් ලෙස, image recognition ආකෘතියක, මූලික ආදානය රූපයක් (pixels tensor එකක් ලෙස නිරූපණය කරන ලද) විය හැකිය. පළමු නිරූපණ ස්ථරය රේඛා සහ වෘත්ත වැනි මූලික හැඩතල හඳුනාගැනීමට උත්සාහ කළ හැකිය. දෙවන ස්ථරය දාර වල සැකසුම් සංයෝජනය කර කේතනය කළ හැකිය. තෙවන ස්ථරය නාසය සහ ඇස් කේතනය කළ හැකි අතර, සිව්වන ස්ථරය රූපයේ මුහුණක් අඩංගු බව හඳුනාගත හැකිය.

  1. ^ Schulz, Hannes; Behnke, Sven (1 November 2012). "Deep Learning". KI - Künstliche Intelligenz (ඉංග්‍රීසි බසින්). 26 (4): 357–363. doi:10.1007/s13218-012-0198-z. ISSN 1610-1987.
  2. ^ LeCun, Yann; Bengio, Yoshua; Hinton, Geoffrey (2015). "Deep Learning". Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442.
  3. ^ "Study urges caution when comparing neural networks to the brain". MIT News | Massachusetts Institute of Technology (ඉංග්‍රීසි බසින්). 2022-11-02. සම්ප්‍රවේශය 2023-12-06.
  4. ^ Bengio, Yoshua (2009). "Learning Deep Architectures for AI" (PDF). Foundations and Trends in Machine Learning. 2 (1): 1–127. CiteSeerX 10.1.1.701.9550. doi:10.1561/2200000006. S2CID 207178999. 4 March 2016 දින මුල් පිටපත (PDF) වෙතින් සංරක්ෂණය කරන ලදී. සම්ප්‍රවේශය 3 September 2015.
"https://si.wikipedia.org/w/index.php?title=ගැඹුරු_ඉගෙනීම_(Deep_learning)&oldid=698894" වෙතින් සම්ප්‍රවේශනය කෙරිණි