డీప్ లెర్నింగ్ అనేది మెషిన్ లెర్నింగ్ యొక్క ఉపక్షేత్రం, ఇది (సాధారణంగా చెప్పాలంటే) మానవ మెదడు మరియు దాని పనితీరుల నుండి ప్రేరణ పొందిన సాంకేతికత. 1950 లలో మొట్టమొదట ప్రవేశపెట్టిన, యంత్ర అభ్యాసాన్ని కృత్రిమ నాడీ నెట్‌వర్క్ అని పిలుస్తారు, ఇది కృత్రిమ మేధస్సుకు సమిష్టిగా ఆధారమైన ఇంటర్కనెక్టడ్ డేటా నోడ్‌ల యొక్క సమృద్ధి. (యంత్ర అభ్యాసం యొక్క ప్రాథమిక విషయాల కోసం, యంత్ర అభ్యాసం 101 ను చూడండి.)
మెషిన్ లెర్నింగ్ తప్పనిసరిగా కంప్యూటర్ డేటా బాహ్య డేటా లేదా ప్రోగ్రామింగ్ ద్వారా ప్రాంప్ట్ చేయబడినప్పుడు తమను తాము మార్చడానికి అనుమతిస్తుంది. ప్రకృతి ద్వారా, ఇది మానవ పరస్పర చర్య లేకుండా సాధించగలదు. ఇది డేటా మైనింగ్‌తో సమానమైన కార్యాచరణను పంచుకుంటుంది, కాని తవ్విన ఫలితాలతో మనుషుల కంటే యంత్రాల ద్వారా ప్రాసెస్ చేయబడుతుంది. ఇది రెండు ప్రధాన వర్గాలుగా విభజించబడింది: పర్యవేక్షించబడిన మరియు పర్యవేక్షించబడని అభ్యాసం.
పర్యవేక్షించబడిన యంత్ర అభ్యాసం లేబుల్ చేయబడిన శిక్షణ డేటా ద్వారా ముందుగా నిర్ణయించిన కార్యకలాపాల యొక్క అనుమానాన్ని కలిగి ఉంటుంది. మరో మాటలో చెప్పాలంటే, పర్యవేక్షించబడిన ఫలితాలను (మానవ) ప్రోగ్రామర్ ముందుగానే తెలుసుకుంటారు, కాని ఫలితాలను er హించే వ్యవస్థ వాటిని “నేర్చుకోవడానికి” శిక్షణ పొందుతుంది. పర్యవేక్షించబడని యంత్ర అభ్యాసం, దీనికి విరుద్ధంగా, లేబుల్ చేయని ఇన్పుట్ డేటా నుండి అనుమానాలను ఆకర్షిస్తుంది, తరచుగా తెలియని నమూనాలను గుర్తించే సాధనంగా.
