Duboko učenje je podskupina strojnog učenja, usmjereno je na uporabu višeslojnih neuronskih mreža za zadatke kao što su: klasifikacija (razvrstavanje podataka u kategorije (npr. je li na slici desno slon ili pingvin), regresija (predviđanje brojčanih vrijednosti (npr. cijena kuće na temelju veličine i lokacije) i učenje reprezentacija (automatsko pronalaženje korisnih značajki u podacima npr. prepoznavanje što čini lice licem - oči, nos, usta). Područje je nadahnuto biološkom neuroznanošću i temelji se na slaganju umjetnih neurona u slojeve te njihovom „treningu“ za obradu podataka.
Neuronske mreže predstavljaju temelj umjetne inteligencije i omogućavaju strojevima obradu i tumačenje podataka na nove načine. Slično ljudskom mozgu, svaki „neuron” u mreži obrađuje informacije i prosljeđuje ih dalje. Upravo ta sposobnost učenja i prilagodbe omogućava umjetnoj inteligenciji izvođenje složenih zadataka, od autonomne vožnje automobila do upravljanja financijama.[1]
Duboko učenje, kao grana strojnog učenja, služi za treniranje i unapređivanje ovih sustava. Neuronska mreža prolazi kroz više slojeva (filtera) obrade kako bi preciznije prepoznavala obrasce i detalje u podacima.
Pridjev „duboko“ odnosi se na uporabu više slojeva (filtera) u mreži (od tri pa do nekoliko stotina ili tisuća). Stare neuronske mreže imale su samo nekoliko slojeva, dok moderne mogu imati stotine ili tisuće slojeva. Što je više slojeva, to mreža može naučiti složenije stvari. Metode mogu biti nadzirano, polunadzirano ili nenadzirano učenje.[2]
Neke uobičajene arhitekture dubokog učenja uključuju potpuno povezane mreže, mreže dubokih uvjerenja (eng. deep belief network), rekurentne neuronske mreže, konvolucijske neuronske mreže, generativne suparničke mreže, transformatore i neuronska polja zračenja. Ove su se arhitekture primjenjivale u područjima kao što su: računalni vid, prepoznavanje govora, obrada prirodnog jezika, strojno prevođenje, bioinformatika, dizajn lijekova, medicinska analiza slike, klimatologija, ispitivanje materijala te programi za društvene igre, pri čemu su postignuti rezultati usporedivi ili u nekim slučajevima bolji od rezultata ljudskih stručnjaka.[3][4][5]
Rani oblici neuronskih mreža bili su nadahnuti obradom informacija i distribuiranom komunikacijom među čvorovima u biološkim sustavima, osobito u ljudskom mozgu. Međutim, suvremene neuronske mreže ne nastoje izravno modelirati moždanu funkciju živih organizama te se općenito smatraju slabim modelima u tu svrhu.[6]
Izvori
- ↑ Što su neuronske mreže? 5 načina na koje mijenjaju svijet tehnologije DIR.hr Preuzeto 8, siječnja 2026.
- ↑ [[1](https://hal.science/hal-04206682/file/Lecun2015.pdf) Deep Learning – Yann LeCun, Yoshua Bengio, Geoffrey Hinton] nature.com pristupljeno 8. siječnja 2026.
- ↑ [[2](https://ieeexplore.ieee.org/document/6248110) Multi-column deep neural networks for image classification] ieeexplore.ieee.org pristupljeno 8. siječnja 2026.
- ↑ [[3](https://www.cs.toronto.edu/~kriz/imagenet_classification_with_deep_convolutional.pdf) ImageNet Classification with Deep Convolutional Neural Networks – Krizhevsky, Sutskever, Hinton] cs.toronto.edu pristupljeno 8. siječnja 2026.
- ↑ [[4](https://techcrunch.com/2017/05/24/alphago-beats-planets-best-human-go-player-ke-jie/) Google's AlphaGo AI wins three-match series against the world's best Go player] techcrunch.com pristupljeno 8. siječnja 2026.
- ↑ [[5](https://news.mit.edu/2022/neural-networks-brain-function-1102) Study urges caution when comparing neural networks to the brain] news.mit.edu pristupljeno 8. siječnja 2026.