Ikaskuntza sakon

Ikasketa automatikoa eta Datu-meatzaritza
Problemak Classification Multzokatzea Erregresioa Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction
Ikasketa gainbegiratua Zuhaitzak Ensembles Bagging Boosting Random forest k-NN Karratu txikienen erregresio zuzen Naive Bayes Neurona-sareak Erregresio logistiko Perceptron Relevance vector machine (RVM) (SVM)
Multzokatzea BIRCH CURE Hierarkikoa k-means Expectation–maximization (EM)
Dimensionality reduction Faktore-analisi Korrelazio kanoniko ICA LDA NMF PCA t-SNE
Structured prediction Graphical models Bayes net Conditional random field Hidden Markov
Anomaly detection k-NN Local outlier factor
Neurona-sare artifizial Autoencoder Ikaskuntza sakon DeepDream Multilayer perceptron RNN LSTM GRU) Restricted Boltzmann machine SOM Convolutional neural network U-Net
Reinforcement learning Q-learning SARSA Temporal difference (TD)
Theory Bias-variance dilemma Computational learning theory Empirical risk minimization Occam learning PAC learning Statistical learning VC theory
Machine-learning venues NIPS ICML ML JMLR ArXiv:cs.LG
Glossary of artificial intelligence Glossary of artificial intelligence
Related articles List of datasets for machine-learning research Outline of machine learning
Txantiloi:Portal-inline
i e a

Artikulu honek erreferentziak behar ditu. Hemen erreferentzia egiaztagarriak gehituz lagun dezakezu.

Ikaskuntza sakona (ingelesez: deep learning), egitura sakoneko ikaskuntza edo ikaskuntza hierarkikoa ikasketa automatikoko metodo bat da. Ez da ataza espezifiko bat ebazteko algoritmoa, modu automatikoan eta datuetatik abiatuz ikasteko sortutako metodoa baizik.

Ikaskuntza sakona nerbio-sistema biologikoetan informazioaren prozesamendua nola gertatzen den eta komunikazio-eredua zein izan litekeen interpretatuz sortutako ikaskuntza-metodo konputazionala da. Neurozientzien alorrean egindako ikerketa-lanek diotenez, burmuinetan informazioa neurona izeneko zeluletan eta haien artean osatutako neurona-sareetan prozesatzen eta gordetzen da, eta oso garrantzitsuak dira neuronen arteko loturak eta haien arteko estimulu eta neurona-erantzunak (sinapsia).

Izaki bizidunek ikasteko dugun gaitasun hori metodo konputazional baten bidez simulatzeko asmoz, neurona-sare biologikoak inspirazio iturri hartu eta neurona-sare artifizialak diseinatu ziren (ingelesez Artificial neural networks (ANNs)). Hasierako eredu konputazional haren garapenetik sortu dira ikaskuntza sakoneko hainbat arkitektura: neurona-sare sakona (deep neural network (DNN)), uste-sare sakona (deep belief network (DBN)) eta neurona-sare errepikaria (recurrent neural network (RNN)). Modu automatikoan ikasteko eredu horiek hainbat aplikazio-eremutan erabiliak izan dira eta lortutako emaitzak giza-adituek lortutakoekin alderagarriak edota hobeak izan dira. Aplikazio-eremu horietako batzuk honakoak dira: ikusmen artifiziala, hizketa-ezagutze automatikoa, hizkuntzaren prozesamendua, audio-ezagutze automatikoa, sare sozialen iragazketa, itzulpengintza automatikoa, bioinformatika eta sendagaien diseinua. 

Ikaskuntza gainbegiratua, partzialki gainbegiratua edo gainbegiratu gabea izan daiteke.

Neurona-sare artifizialak edo konexio-sistemak (ingelesez Artificial neural networks (ANNs), connectionist systems), animalien burmuinetako neurona-sare biologikoetan oinarritutako ikaskuntza-sistema konputazionalak dira. Horrelako sistemek adibideen bidez ikasten dute, ataza edo zeregin partikular baterako bereziki programatuak izan barik. Ikusmen artifizialean, esaterako, neurona-sare artifizialak katuak identifikatzen ikas dezake “katu” edo “ez katu” moduan eskuz etiketatu diren irudiak aztertuz. Ikaskuntza-prozesutik lortutako eredua irudi berrietan katuak identifikatzeko erabiliko da. Erregeletan oinarritutako sistemen bidez adierazten zailak diren problemetan oso erabilgarriak dira sistema hauek. Itzulpen automatikoa aplikazio argia da, erregeletan oinarritutako itzulpen automatikorako sistemak erabili ziren hasiera batean baina gaur egun gero eta gehiago ari dira garatzen adibideetan oinarritutako itzulpengintzarako sistemak.

Neurona-sare artifiziala elkarri konektaturiko hainbat neurona artifizialez osatuta dago (burmuineko axoien parekoak). Neuronen arteko konexio (sinapsi) bakoitzak seinalea transmiti diezaioke beste neurona bati. Neurona hartzaileak (sinapsi-ondorenekoak) seinalea prozesa ditzake eta ondoren hari konektaturiko beste neuronei seinalea bidali. Neuronek eta haien arteko konexioek pisuak izan ditzakete esleituta, ikaskuntza prozesuak aurrera egin ahala aldatzen joango direnak. Pisuak handitzen edo txikitzen direnaren arabera handituko edo txikituko da bidalitako seinaleen indarra.

Oro har, neuronak geruzatan antolatuta daude. Geruza desberdinetan kokatutako neuronek hainbat bilakaera ezar ditzakete haien sarrera-seinaleetan. Seinaleak lehen geruzatik (sarrera) azken geruzaraino (irteera) joaten dira; geruzak behin baino gehiagotan zeharkatzea posiblea izan daiteke.

Giza-burmuinak problemak ebazteko darabilen antzeko prozedura konputazionala lortu nahi izan zen neurona-sare artifizialak sortzearekin. Gerora, arreta handiagoa jarri izan da gaitasun mental espezifiko batzuk lortzeko helburuan; horrek eredu konputazionala biologikotik gehiago aldentzea ekarri du. Atzera-elikatzearen prozesua (backpropagation) edo informazioa (seinalea) geruzetan atzetik aurrera pasatzea eta sarea egokitzea informazio hori islatzeko eredu konputazionalaren eta biologikoaren arteko aldentzea bideratu duten adibide garbiak dira.

Neurona-sare artifizialak hainbat atazatan erabili izan dira: ikusmen artifiziala, hizketa-ezagutze automatikoa, itzulpengintza automatikoa, sare sozialen iragazketa, mahai-jokoak, bideo-jokoak eta mediku-diagnostikoak.

Gaur egungo neurona-sare artifizialek milaka neurona (milioi gutxi batzuk gehienez) eta milioika konexio izan ohi dituzte. Duten konputazio-ahalmena giza-burmuinak duena baino askoz ere txikiagoa izan arren, hainbat atazatan oso emaitza onak lortzeko gai direla erakutsi izan dute.

Neurona-sare sakona (ingelesez deep neural network (DNN)) sarrera-geruzaren eta irteera-geruzaren artean hainbat ezkutuko neurona-geruza dituen neurona-sare artifiziala da. Azaleko neurona-sare artifizialak bezala, sakonek ere erlazio ez-lineal konplexuetarako ereduak sortzeko gaitasuna dute. Neurona-sare sakonek eredu konposizionalak sortzeko gaitasuna dute: objektuak osagaiz osatuta daude eta osagai horien konposizio mailakatuaren bidez haiek adieraztea lortzen da. Behe-geruzetan eraikitako ereduen konposizioa neurona-sare sakonek dituzten geruza gehigarriei esker gertatzen da. Ereduen konposaketa mailakatu horri esker konplexua izan daitekeen informazioaren eredua eraikitzea lortzen da neurona-sare artifizial arruntek (azalekoek) beharko luketena baina neurona gutxiagorekin.

Neurona-sare sakonen aldaera desberdinak daude. Arkitektura-mota desberdinak arlo espezifiko desberdinetarako aplikazioetan lortu dute arrakasta. Neurona-sareen arkitekturen arteko konparaketa egitea ez da beti posiblea izaten, horretarako datu-multzo bera erabiliz ebaluatu behar dira eta.

Neurona-sare sakonetan normalean informazioa sarrera-geruzetatik irteera-geruzetarantz doa (feedforward), atzera-elikatzerik gabe, baina ez beti.

Neurona-sare errepikarietan (ingelesez recurrent neural networks (RNNs)) datuak edozein noranzkotan doaz neurona-sarean barrena; hizkuntza-ereduak sortzeko erabili ohi dira.

Zirkunboluzio neurona-sareak (ingelesez convolutional neural networks (CNNs)) ere neurona-sare sakonak dira, ikusmen artifizialean eta hizketa-ezagutze automatikoan oso erabiliak direnak.

Hizketa-ezagutze automatikoa hizketa testu bihurtzeko teknologia da. Hizketaren soinua konputagailuak uhin analogiko moduan jaso, aztertu eta soinuaren unitateak edo hitzak eratzen dituzten fonemak identifikatu behar dira. Ekoizpen ona eta kalitatezkoa sortzeak lan handia eskatzen du zeren eredu ezberdin ugari batu behar dira eta batze honek jarraitua izan behar da.

Hizketa-ezagutze merkataritza-sistema gehienak (Cortana, Siri, etc.) ikaskuntza sakonean oinarrituak daude.

Ikusmen artifiziala mundu errealeko irudiak bereganatu, prozesatu, analizatu eta ulertzeko metodoak erabiltzen dituen zientziaren jakintzagaia da, irudi horiek konputagailu bidez zenbaki edo zeinu informazioan ekoizteko asmoz.

Ikaskuntza sakonean oinarritutako ikusmen artifizialak, gaur egun, gizakiak baino emaitza hobeak lortzen dituzte.

Neurona sare sakonak gai dira:

• Margolan baten periodo eta estiloa identifikatzen.
• Margolan baten estiloa "antzematen" eta argazki arbitrario batean aplikatzen, modu atsegin batean.
• Ausazko sarrera batean oinarrituz irudi deigarriak sortzen.

Hizkuntzaren prozesamendua informatika, adimen artifizial eta hizkuntzalaritzaren alorra da, hizkuntzalaritza konputazionaleko ingeniaritza lantzen duena. Hizkuntzaren bidez pertsona eta makinen arteko komunikazioa, baita pertsonen artekoa ere, errazteko tresna konputazionalak ikertzeaz arduratzen da.

Neurona sareak hizkuntzaren prozesamenduan 2000 urtetik aurrera erabiltzen hasi ziren eta arrakasta handia izan dute.

Ikaskuntza sakona aplikatzen hasi dira ikertzaileek sendagai berriak aurkitzeko. Adibidez, AtomNet ikaskuntza sakonean oinarritutako sistema bat da, botiken diseinu arrazionalen ereduak egiten dituena.

Ikaskuntza sakon indartua erabili da marketin zuzeneko ekintza posibleen balioaren hurbilketak egiteko.

Gomendio-sistemek ikaskuntza sakona erabiltzen dute beren gomendioak ahalik eta gehien hobetzeko.

Neurona-sare artifizialak erabiltzen dira geneen arteko erlazio funtzioak aurreikusteko.

Gomendio sistemen antzera, mugikorretako publizitateak ere erakusten diren iragarkiak bezeroarentzat interesgarriak izateko erabiltzen da ikaskuntza sakona.