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.