“ஆழமான கற்றல் பல செயலாக்க அடுக்குகளைக் கொண்ட கணக்கீட்டு மாதிரிகள் பல நிலைகளின் சுருக்கத்துடனான தரவுகளின் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ள அனுமதிக்கின்றது” என்று யான் லீகன் என்பவர் ஆழமான கற்றலை (Deep Learning)வரையறுக்கின்றார்
தரவுகளின் வரிசைகளில் ஆழமான கற்றல் மற்ற வகை தரவுகளுடன் ஒப்பிடும்போது காட்சிகளுடன் மேற்பார்வையிடப்பட்ட கற்றல் வேறுபட்டது. இங்கே, வரிசைகிரமத்தையும் அதன் செயல்முறையையும் நாம் கருத்தில் கொள்ள வேண்டும். மாதிரிகள் உருவாக்க பயிற்சி அளிக்க ஒவ்வொரு வரிசைக்கும் சரியான தரவுகளின் தொகுப்பை நாம் தேடிகண்டுபிடிக்க வேண்டும். இந்த ஆழமான கற்றலிலுள்ள வெவ்வேறு வகையான வரிசைமுறைகள் பின்வருமாறு.
1) வரிசை கணிப்புகள்: இது வரிசை மாதிரியின் அடிப்படையில் அடுத்த வரிசையின் முன்கணிப்பு ஆகும்.
2) வரிசை வகைப்பாடு: இது வரிசை மாதிரியின் அடிப்படையில் ஒரு வரிசையை வகைப்படுத்துகிறது.
3) வரிசை உருவாக்கம்: இது வரிசை முறையின் அடிப்படையில் ஒரு புதிய வரிசையை உருவாக்குகிறது.
இவ்வாறான வரிசை முன்கணிப்பு குறித்த நம்முடைய பகுப்பாய்வுகளின் அடிப்படையில், வரிசை வகைப்பாட்டில் உருவாகிடும் சிக்கல்களுக்கு தீர்வாக நீண்ட குறுகிய கால நினைவகமானது (LSTM) சிறப்பாக செயல்படுகின்றது.
நீண்ட குறுகிய கால நினைவகம் (Long Short Term Memory(LSTM))
பாரம்பரிய நரம்பியல் வலைபின்னல்கள் கடந்த காலத்தை நினைவில் கொள்ள முடியாது, ஆனால் சமீபத்திய கடந்த காலத்தை (குறுகிய கால நினைவகம்) மட்டுமே இந்த வலைபின்னல்களின் குறைபாடாக கருதப்படுகிறது. தொடர்ச்சியான நரம்பியல் வலைபின்னல்களை (RNN) கொண்டுஇந்த சிக்கலை சரிசெய்ய முடியும் (இதைப் பற்றி மேலும்அறிந்து கொள்ள http://karpathy.github.io/2015/05/21/rnn-effectiveness/ எனும் இணைய முகவரிக்கு செல்க). LSTM என்பது உண்மையில் ஒரு சிறப்பு வகையான RNN ஆகும், இது நீண்ட கால சார்புகளைக் கற்றுக் கொள்ளும் திறன் கொண்டது. வரிசைப்படுத்துதல் வகைப்பாடு , முன்கணிப்பு மாதிரி ஆகியவற்றைத் தீர்வு செய்வதற்காக, கடந்த வரிசைகளை நினைவில் வைத்துக் கொள்ள நமக்கு உண்மையில் நரம்பியல் பிணையம் தேவையாகும், இதன் மூலம் நாம் வரிசையை வகைப்படுத்தவும்அல்லது கணிக்கவும் முடியும். இந்த தலைப்புகளைப் பற்றி நமக்கு அதிகம் தெரியாவிட்டால், RNN, LSTM ஆகியவற்றை பற்றி மேலும் கற்றறிந்து கொள்க என பரிந்துரைக்கப்படுகின்றது.
