Pembelajaran yang luas dan mendalam adalah pendekatan kecerdasan buatan (AI) yang menggabungkan penggunaan pembelajaran mesin yang diawasi dan tanpa pengawasan. Pembelajaran luas dan mendalam menggunakan arsitektur jaringan saraf dangkal dan dalam untuk memodelkan kumpulan data besar dengan fitur tingkat rendah dan tinggi. Hasilnya adalah sistem pembelajaran yang kuat yang mampu menggeneralisasi pola dari data masa lalu dan cepat beradaptasi dengan informasi baru.
Pembelajaran luas adalah penggunaan jaringan dangkal untuk mengenali pola tertentu dalam kumpulan data. Pendekatan ini biasanya terdiri dari satu lapisan node, dengan satu lapisan masukan dan satu lapisan keluaran – sehingga komputasinya cepat dan murah. Karena kesederhanaannya, pembelajaran luas lebih cocok untuk kumpulan data dengan banyak sinyal yang mudah diidentifikasi.
Pembelajaran mendalam, di sisi lain, adalah penggunaan beberapa lapisan jaringan saraf dalam untuk mengidentifikasi pola kompleks dalam kumpulan data besar. Pembelajaran mendalam secara signifikan lebih intensif secara komputasi dibandingkan pembelajaran luas, namun kemampuannya untuk mengidentifikasi hubungan halus di antara kumpulan data besar yang beragam membuatnya cocok untuk mengenali pola dalam kumpulan data dengan sinyal yang lebih sedikit jelas.
Pembelajaran yang luas dan mendalam menggabungkan kekuatan kedua model, menggunakan pembelajaran yang diawasi untuk mengidentifikasi sinyal penting dari data masukan, dan kemudian menggunakan jaringan saraf dalam untuk mengidentifikasi pola yang lebih kompleks. Dengan melatih beberapa lapisan untuk pembelajaran mendalam, model dapat menemukan pola yang lebih beragam dibandingkan hanya satu lapisan saja. Hal ini dapat menghasilkan prediksi yang lebih akurat dan performa keseluruhan yang lebih baik.
Pembelajaran yang luas dan mendalam sangat efektif untuk aplikasi seperti pengenalan gambar, pemrosesan bahasa alami, dan pengenalan ucapan. Hal ini menjadi lebih umum seiring dengan peningkatan daya komputasi dan kapasitas penyimpanan – sehingga memungkinkan untuk membangun model yang lebih besar dan lebih canggih. Seiring dengan kemajuan teknologi, hal ini dapat diterapkan pada domain masalah yang lebih luas.
