Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Bedeutung von Deep Learning im Data Mining und maschinellen Lernen

Shorabi P

Deep-Learning-Algorithmen verwenden eine enorme Menge unbeaufsichtigter Daten, um automatisch komplexe Darstellungen zu extrahieren. Diese Algorithmen werden weitgehend durch den Bereich der künstlichen Intelligenz (KI) motiviert, dessen übergeordnetes Ziel darin besteht, die Fähigkeit des menschlichen Gehirns zu emulieren, zu beobachten, zu analysieren, zu lernen und Entscheidungen zu treffen, insbesondere bei extrem komplexen Problemen. Die Arbeit an diesen komplexen Herausforderungen war eine Hauptmotivation für Deep-Learning-Algorithmen, die versuchen, den hierarchischen Lernansatz des menschlichen Gehirns zu emulieren. Modelle, die auf oberflächlichen Lernarchitekturen wie Entscheidungsbäumen, Support Vector Machines und fallbasiertem Denken basieren, können beim Versuch, nützliche Informationen aus komplexen Strukturen und Beziehungen im Eingabekorpus zu extrahieren, zu kurz kommen. Im Gegensatz dazu haben Deep-Learning-Architekturen das Potenzial, auf nicht-lokale und globale Weise zu verallgemeinern und Lernmuster und Beziehungen über unmittelbare Nachbarn innerhalb der Daten hinaus zu generieren. Deep Learning ist tatsächlich ein entscheidender Schritt in Richtung KI. Es bietet nicht nur komplexe Darstellungen von Daten, die für KI-Aufgaben geeignet sind, sondern macht die Maschinen auch unabhängig von menschlichem Wissen, was das ultimative Ziel der KI ist. Es extrahiert Darstellungen direkt aus unbeaufsichtigten Daten ohne menschliches Eingreifen.