องค์ประกอบที่แก้ไขได้ของระบบการเรียนรู้ที่รับผิดชอบต่อความสำเร็จหรือความล้มเหลว การเปลี่ยนแปลงใดที่ทำให้พวกเขาปรับปรุงประสิทธิภาพได้ สิ่งนี้เรียกว่าปัญหาการกำหนดเครดิตพื้นฐาน (Minsky, 1963) มีวิธีการกำหนดเครดิตทั่วไปสำหรับผู้แก้ปัญหาสากลที่เหมาะสมกับเวลาในความรู้สึกทางทฤษฎีต่าง ๆ (วินาที 6.8) อย่างไรก็ตามการสำรวจครั้งนี้จะมุ่งเน้นไปที่ขอบเขตที่แคบลง แต่ปัจจุบันเป็นสาขาย่อยของ Deep Learning (DL) ที่มีความสำคัญทางการค้าในเชิงลึกในโครงข่ายประสาทเทียม (NNs)
เครือข่ายนิวรัลมาตรฐาน (NN) ประกอบด้วยตัวประมวลผลที่เชื่อมต่อง่าย ๆ มากมายที่เรียกว่าเซลล์ประสาทซึ่งแต่ละตัวจะสร้างลำดับการเปิดใช้งานที่มีคุณค่าจริง เซลล์ประสาทนำเข้าได้รับการเปิดใช้งานผ่านเซ็นเซอร์รับรู้สภาพแวดล้อมเซลล์ประสาทอื่น ๆ จะเปิดใช้งานผ่านการเชื่อมต่อแบบถ่วงน้ำหนักจากเซลล์ประสาทที่ใช้งานก่อนหน้านี้ (รายละเอียดในวินาที 2) เซลล์ประสาทบางชนิดอาจมีอิทธิพลต่อสภาพแวดล้อมด้วยการกระตุ้นการกระทำ การเรียนรู้หรือการกำหนดเครดิตเป็นเรื่องเกี่ยวกับการหาน้ำหนักที่ทำให้ NN มีพฤติกรรมที่ต้องการเช่นการขับรถ ขึ้นอยู่กับปัญหาและวิธีการเชื่อมต่อของเซลล์ประสาทพฤติกรรมดังกล่าวอาจต้องใช้โซ่ยาวสาเหตุของขั้นตอนการคำนวณ (วินาที 3) ซึ่งแต่ละขั้นตอนการแปลง การเรียนรู้อย่างลึกซึ้งเกี่ยวกับการกำหนดเครดิตอย่างแม่นยำในหลาย ๆ ขั้นตอน
โมเดลที่คล้ายกับ NN ตื้น ๆ ที่มีระยะดังกล่าวไม่กี่รอบมานานหลายสิบปีหากไม่ใช่ศตวรรษ (วินาที 5.1) แบบจำลองที่มีชั้นของเซลล์ประสาทแบบไม่ต่อเนื่องหลายชั้นย้อนหลังไปอย่างน้อยในทศวรรษ 1960 (วินาที. 5.3) และ 1970 (วินาที. 5.5) วิธีการไล่ระดับสีที่มีประสิทธิภาพสำหรับการเรียนรู้แบบมีผู้สอนภายใต้การดูแล (SL) ในเครือข่ายที่ไม่ต่อเนื่องซึ่งมีความแตกต่างกันของความลึกตามอำเภอใจที่เรียกว่า backpropagation (BP) ได้รับการพัฒนาในปี 1960 และ 1970 อย่างไรก็ตามการฝึกอบรมเชิงลึกเกี่ยวกับ NNs ที่มีหลายเลเยอร์อย่างไรก็ตามพบว่าเป็นการยากในทางปฏิบัติในช่วงปลายทศวรรษ 1980 (Sec. 5.6) และได้กลายเป็นหัวข้อการวิจัยที่ชัดเจนโดยต้นปี 1990 (Sec. 5.9) DL เป็นไปได้จริงในระดับหนึ่งด้วยความช่วยเหลือของ Unsupervised Learning (UL) เช่นวินาที 5.10 (1991), วินาที 5.15 (2549) ในช่วงปี 1990 และ 2000 นั้นยังเห็นการปรับปรุง DL ที่ควบคุมอย่างหมดจด (Sec. 5) ในสหัสวรรษใหม่นั้น NN ลึก ๆ ได้ดึงดูดความสนใจอย่างกว้างขวางในที่สุดโดยการใช้วิธีการเรียนรู้ของเครื่องจักรทางเลือกอื่น ๆ เช่นเครื่องเคอร์เนล (Vapnik, 1995; Scholkopf et al., 1998) ในแอปพลิเคชันที่สำคัญมากมาย ในความเป็นจริงตั้งแต่ปี 2009 ผู้ดูแลเอ็นเอ็นลึกได้รับรางวัลชนะเลิศการแข่งขันการจดจำรูปแบบระหว่างประเทศ (เช่น Sec. 5.17, 5.19, 5.21, 5.22), บรรลุผลการจดจำรูปแบบภาพเหนือมนุษย์เป็นครั้งแรกในโดเมนที่ จำกัด (Sec. 5.19, 2011) NN แบบลึกยังมีความเกี่ยวข้องกับสาขาทั่วไปของการเรียนรู้การเสริมแรง (RL) อีกด้วยโดยที่ไม่มีครูผู้สอน (วินาทีที่ 6) ส่วนใหญ่โดยวิธีการเรียนรู้ที่ดีกว่าเครื่องจักรทางเลือกเช่นเครื่องเคอร์เนล (Vapnik, 1995; Scholkopf et al., 1998) ในแอปพลิเคชันที่สำคัญมากมาย ในความเป็นจริงตั้งแต่ปี 2009 ผู้ดูแลเอ็นเอ็นลึกได้รับรางวัลชนะเลิศการแข่งขันการจดจำรูปแบบระหว่างประเทศ (เช่น Sec. 5.17, 5.19, 5.21, 5.22), บรรลุผลการจดจำรูปแบบภาพเหนือมนุษย์เป็นครั้งแรกในโดเมนที่ จำกัด (Sec. 5.19, 2011) NN แบบลึกยังมีความเกี่ยวข้องกับสาขาทั่วไปของการเรียนรู้การเสริมแรง (RL) อีกด้วยโดยที่ไม่มีครูผู้สอน (วินาทีที่ 6) ส่วนใหญ่โดยวิธีการเรียนรู้ที่ดีกว่าเครื่องจักรทางเลือกเช่นเครื่องเคอร์เนล (Vapnik, 1995; Scholkopf et al., 1998) ในแอปพลิเคชันที่สำคัญมากมาย ในความเป็นจริงตั้งแต่ปี 2009 ผู้ดูแลเอ็นเอ็นลึกได้รับรางวัลชนะเลิศการแข่งขันการจดจำรูปแบบระหว่างประเทศ (เช่น Sec. 5.17, 5.19, 5.21, 5.22), บรรลุผลการจดจำรูปแบบภาพเหนือมนุษย์เป็นครั้งแรกในโดเมนที่ จำกัด (Sec. 5.19, 2011) NN แบบลึกยังมีความเกี่ยวข้องกับสาขาทั่วไปของการเรียนรู้การเสริมแรง (RL) อีกด้วยโดยที่ไม่มีครูผู้สอน (วินาทีที่ 6) บรรลุผลการจดจำรูปแบบภาพเหนือมนุษย์เป็นครั้งแรกในโดเมนที่ จำกัด (วินาที 5.19, 2011) NN แบบลึกยังมีความเกี่ยวข้องกับสาขาทั่วไปของการเรียนรู้การเสริมแรง (RL) อีกด้วยโดยที่ไม่มีครูผู้สอน (วินาทีที่ 6) บรรลุผลการจดจำรูปแบบภาพเหนือมนุษย์เป็นครั้งแรกในโดเมนที่ จำกัด (วินาที 5.19, 2011) NN แบบลึกยังมีความเกี่ยวข้องกับสาขาทั่วไปของการเรียนรู้การเสริมแรง (RL) อีกด้วยโดยที่ไม่มีครูผู้สอน (วินาทีที่ 6)
ในทางกลับกันฉันไม่แน่ใจว่าจำเป็นต้องทำกำไรเพื่อพยายามสร้างอนุกรมวิธานของถังที่ใช้ร่วมกันเฉพาะสำหรับกลยุทธ์การเรียนรู้ของเครื่อง ฉันคิดว่าเราสามารถพูดได้ว่ามีมุมมองจากแบบจำลองที่สามารถดูเป็นเครือข่ายประสาท ฉันไม่คิดว่ามุมมองนั้นจำเป็นต้องดีที่สุดหรือมีประโยชน์ในทุกบริบท ตัวอย่างเช่นฉันยังคงวางแผนที่จะอ้างถึงป่าแบบสุ่มและต้นไม้ที่เพิ่มระดับความลาดชันเป็น "ตระการตาต้นไม้" แทนที่จะแยกความแตกต่างออกไปและเรียกพวกเขาว่า "ต้นไม้เครือข่ายประสาท" ยิ่งไปกว่านั้น Schmidhuber แยกความแตกต่าง NNs จากเครื่องเคอร์เนล - แม้ว่าเครื่องเคอร์เนลมีการเชื่อมต่อบางอย่างกับ NNs - เมื่อเขาเขียน "ในสหัสวรรษใหม่เอ็นเอ็นลึก ๆ ได้ดึงดูดความสนใจอย่างกว้างขวางในที่สุด ส่วนใหญ่โดยวิธีการเรียนรู้ที่ดีกว่าเครื่องจักรทางเลือกเช่นเครื่องเคอร์เนล ... ในการใช้งานที่สำคัญมากมาย "