Sällskapsdjur
Sällskapsdjur
Det exakta ursprunget för termen "djup inlärning" är oklart, men det tillskrivs vanligtvis flera källor. Här är några möjliga ursprung:
1. Geoffrey Hintons 2006 -papper År 2006 publicerade datavetare Geoffrey Hinton ett seminalpapper med titeln "Deep Learning:A Tutorial on Deep Neural Networks" i Nature Magazine. Detta dokument anses vara ett landmärke inom området konstgjorda neurala nätverk och hjälpte till att popularisera termen "djup inlärning". Hinton och hans kollegor vid University of Toronto betraktas allmänt som pionjärer i utvecklingen av djupa inlärningstekniker.
2. Yoshua Bengios användning av termen :Yoshua Bengio, en annan framstående forskare på området, spelade också en viktig roll i populariseringen av termen "djup inlärning" i början av 2000 -talet. Bengio och hans kollegor vid Université de Montréal genomförde banbrytande forskning om djupa inlärningsalgoritmer, och han använde ofta termen "djup inlärning" i sina forskningspublikationer.
3. Påverkan av kognitiv psykologi :Vissa tror att inspirationen för termen "djup inlärning" kan ha kommit från uppfattningen om "djup struktur" i kognitiv psykologi. Djup struktur är en term som används i lingvistik och kognitiv psykologi för att beskriva den underliggande representationen eller syntaxen på ett språk som går utöver ytnivåfunktionerna hos ord och fraser. Detta koncept kan ha påverkat förståelsen för djupa inlärningsmodeller som att fånga underliggande mönster och komplexa relationer i data.
4. Jämförelse med traditionell maskininlärning :Termen "djup inlärning" myntades troligen för att skilja det från traditionella maskininlärningsmetoder. Medan traditionella maskininlärningsalgoritmer ofta förlitar sig på grunt neurala nätverk eller grunt representationer av data, innebär djup inlärning användning av djupa neurala nätverk med flera dolda lager. Dessa djupa arkitekturer möjliggör mer komplexa och hierarkiska extraktion av funktion, vilket gör det möjligt för modeller att lära sig representationer på högre nivå.
5. Historiskt sammanhang :Under de tidiga dagarna av neural nätverksforskning var grunt neurala nätverk normen, och de mötte begränsningar i deras representativa kapacitet och förmåga att hantera komplexa problem. Framväxten av kraftfulla datorresurser, såsom grafiska bearbetningsenheter (GPU), i slutet av 2000 -talet gjorde det möjligt att träna djupare neurala nätverk effektivt. Detta historiska sammanhang bidrog till behovet av en term som fångade framstegen och ökade komplexiteten i dessa nya tillvägagångssätt, därmed termen "djup inlärning" fick dragkraft.
Det är troligtvis en kombination av dessa faktorer, tillsammans med konvergensen av forskningsinsatser och genombrott, som ledde till det utbredda antagandet av termen "djup inlärning" för att beskriva underfältet inom maskininlärning med fokus på djupa neurala nätverk.