Học rộng và học sâu là phương pháp tiếp cận trí tuệ nhân tạo (AI) kết hợp việc sử dụng học máy có giám sát và không giám sát. Học rộng và học sâu sử dụng cả kiến trúc mạng thần kinh nông và sâu để mô hình hóa các tập dữ liệu lớn với cả các tính năng cấp thấp và cấp cao. Kết quả là một hệ thống học tập mạnh mẽ có khả năng khái quát hóa các mẫu từ dữ liệu trong quá khứ và nhanh chóng thích ứng với thông tin mới.
Học rộng là việc sử dụng các mạng nông để nhận ra các mẫu cụ thể trong tập dữ liệu. Cách tiếp cận này thường bao gồm một lớp nút duy nhất, với một lớp đầu vào và một lớp đầu ra – giúp tính toán nhanh và không tốn kém. Do tính đơn giản của nó, việc học rộng sẽ phù hợp hơn với các tập dữ liệu có nhiều tín hiệu dễ nhận biết.
Mặt khác, học sâu là việc sử dụng nhiều lớp mạng lưới thần kinh sâu để xác định các mẫu phức tạp trong các tập dữ liệu lớn. Học sâu có cường độ tính toán cao hơn đáng kể so với học rộng, nhưng khả năng xác định mối quan hệ tinh tế giữa các tập dữ liệu đa dạng lớn khiến nó rất phù hợp để nhận dạng các mẫu trong tập dữ liệu có ít tín hiệu rõ ràng hơn.
Học rộng và học sâu kết hợp các điểm mạnh của cả hai mô hình, sử dụng học có giám sát để xác định các tín hiệu quan trọng từ dữ liệu đầu vào, sau đó sử dụng mạng lưới thần kinh sâu để xác định các mẫu phức tạp hơn. Bằng cách đào tạo nhiều lớp để học sâu, mô hình có thể tìm thấy nhiều mẫu có sắc thái hơn so với chỉ một lớp. Điều này có thể dẫn đến dự đoán chính xác hơn và hiệu suất tổng thể cao hơn.
Học rộng và học sâu có hiệu quả cao đối với các ứng dụng như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói. Nó đang trở nên phổ biến hơn khi sức mạnh tính toán và dung lượng lưu trữ tăng lên – giúp xây dựng các mô hình lớn hơn và phức tạp hơn. Khi công nghệ được cải tiến, nó có thể được áp dụng cho nhiều lĩnh vực vấn đề hơn.
