1. :2006 -ban Geoffrey Hinton számítógépes tudós közzétette a „Deep Learning:A bemutató a Deep Neural Networks” című, a Nature Magazine címet. Ezt a cikket mérföldkőnek tekintik a mesterséges ideghálózatok területén, és segített népszerűsíteni a "mély tanulás" kifejezést. Hintont és kollégáit a torontói egyetemen széles körben úttörőknek tekintik a mély tanulási technikák fejlesztésében.
2. :Yoshua Bengio, a terepen egy másik kiemelkedő kutató, szintén jelentős szerepet játszott a "mély tanulás" kifejezés népszerűsítésében a 2000 -es évek elején. Bengio és az Université de Montréal kollégái úttörő kutatásokat végeztek a mély tanulási algoritmusokról, és kutatási kiadványaiban gyakran használta a "mély tanulás" kifejezést.
3. A kognitív pszichológia befolyása :Néhányan úgy vélik, hogy a "mély tanulás" kifejezés inspirációja a kognitív pszichológia "mély szerkezetének" fogalmából származhatott. A mély felépítés olyan kifejezés, amelyet a nyelvészetben és a kognitív pszichológiában használnak egy olyan nyelv alapjául szolgáló ábrázolás vagy szintaxis leírására, amely túlmutat a szavak és kifejezések felületi szintjén. Ez a koncepció befolyásolhatja a mély tanulási modellek megértését, mivel az alapul szolgáló minták és az összetett kapcsolatok megragadása az adatokban.
4. Összehasonlítás a hagyományos gépi tanulással :A "mély tanulás" kifejezést valószínűleg úgy alakították ki, hogy megkülönböztesse a hagyományos gépi tanulási módszerektől. Míg a hagyományos gépi tanulási algoritmusok gyakran a sekély ideghálózatokra vagy az adatok sekély ábrázolásaira támaszkodnak, a mély tanulás magában foglalja a több rejtett rétegű mély ideghálózatok használatát. Ezek a mély architektúrák lehetővé teszik a bonyolultabb és hierarchikusabb tulajdonságok kinyerését, lehetővé téve a modellek számára, hogy megtanulják az adatok magasabb szintű reprezentációit.
5. Történelmi kontextus :A neurális hálózati kutatás korai napjaiban a sekély ideghálózatok voltak a norma, és korlátozásokkal szembesültek reprezentációs képességeikben és az összetett problémák kezelésének képességében. A hatékony számítási erőforrások, például a grafikus feldolgozó egységek (GPU) megjelenése a 2000 -es évek végén lehetővé tette a mélyebb ideghálózatok hatékony képzését. Ez a történelmi kontextus hozzájárult ahhoz, hogy szükség van egy olyan kifejezésre, amely megragadta ezen új megközelítések előrehaladását és megnövekedett bonyolultságát, ezért a "mély tanulás" kifejezés vonzóvá vált.
Valószínűleg ezeknek a tényezőknek a kombinációja, valamint a kutatási erőfeszítések és az áttörések konvergenciája vezetett a „mély tanulás” kifejezés széles körű elfogadásához, hogy leírja a mély ideghálózatokra összpontosító gépi tanulás almezőjét.