Wat is deep learning?

Het doel van deep learning is machine learning dichterbij kunstmatige intelligentie (AI) te brengen. Kunstmatige intelligentie zijn systemen die zelflerend zijn en uiteindelijk zorgen dat de computer iets kan uitvoeren wat we de computer voorheen nog niet kon. Met kunstmatige intelligentie kunnen machines, software en apparaten zelfstandig problemen oplossen door het imiteren van het denkvermogen van de mens.

Neurale netwerken

Deep learning richt zich op machine learning technieken door de inzet van diepe neurale netwerken bestaande uit meerdere lagen neuronen. Neurale netwerken zijn ontworpen naar analogie van het biologische brein, ofwel extreem uitgebreide en onderling verbonden netwerken van neuronen. Deze neurale netwerken weerspiegelen het gedrag van het menselijk brein (een biologisch neuraal netwerk), waardoor computerprogramma’s patronen kunnen herkennen en veelvoorkomende problemen op het gebied van kunstmatige intelligentie, machine learning en deep learning kunnen oplossen.

Deep learning en neurale netwerken

Er is sprake van deep learning wanneer er gebruik wordt gemaakt van neurale netwerken bestaande uit meerdere lagen neuronen. Een neuraal netwerk dat uit meer dan drie lagen bestaat (inclusief de in- en uitvoer) kan worden beschouwd als een deep learning algoritme. Een neuraal netwerk dat slechts twee of drie lagen heeft, is slechts een neuraal basisnetwerk. Een kunstmatig neuraal netwerk bestaat meestal uit meerdere zeer eenvoudige processors (neuronen) met hoge mate van onderlinge connectie die eenvoudige scalaire berichten (berichten bestaande uit getallen/grootheden) verzenden. Een neuraal netwerk is te trainen doordat onderling verbonden processors adaptief zijn. Dit houdt in dat verbindingen tussen processors in een neuraal netwerk kunnen ontstaan, versterkt, verzwakt of verbroken worden.

Een neuraal netwerk heeft een signaal nodig om te zien of het juiste resultaat wordt gegeven. Wanneer de output onjuist is moet een signaal terug gestuurd worden, zodat alle neuronen hun activaties kunnen afstemmen en de resultaten verbeteren. Door dit proces herhaaldelijk uit te voeren leert het netwerk correlaties herkennen en wordt de output verbeterd. Hoe meer data er beschikbaar is om te leren hoe nauwkeuriger de output zal zijn.

Bron: Oracle.

Elke neuroon in een neuraal netwerk wijst een gewicht toe aan zijn input. De input wordt gecombineerd met gewichten die de input dempen of versterken. De output van elke laag is de input van de volgende laag. Dankzij het combineren van gewichten met input is het netwerk in staat deze input te rangschikken en te bundelen. Uiteindelijke wordt de output bepaald door het totaal van de gewichten. Neurale netwerken vormen de ruggengraat van deep learning-algoritmen.

Machine learning, kunstmatige intelligentie, deep learning en neurale netwerken

Machine learning is een deelgebied van kunstmatige intelligentie. Deep learning is een subveld van machine learning, en neurale netwerken vormen de ruggengraat van deep learning-algoritmen. Een diep learning-algoritme onderscheidt zich van een neuraal basisnetwerk doordat het meer dan drie lagen moet hebben.

Voorbeelden en toepassingen deep learning

Er zijn vele deep learning voorbeelden waarbij de technologie het menselijke brein moeiteloos verslaat. Een bekend voorbeeld hiervan is Deep Blue een schaakcomputer die Garri Kasparov, de sterkste schaker ter wereld versloeg. Andere bekende voorbeelden zijn spraakherkenning, applicaties voor geautomatiseerd tekstschrijven, gezichtsherkenning, medicijnontwikkeling, en chatbots. SDIM gebruikt deep learning algoritmes voor het optimaliseren van online campagnes.