ش | ی | د | س | چ | پ | ج |
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
یادگیری عمیق کلاس تکنیک های یادگیری ماشین است که از شبکه های عصبی مصنوعی چند لایه برای تجزیه و تحلیل خودکار سیگنال ها یا داده ها استفاده می کند. این نام از ساختار کلی شبکه های عصبی عمیق ناشی می شود ، که از چندین لایه نورون مصنوعی تشکیل شده است و هر کدام یک عملیات غیرخطی را انجام می دهند و روی هم انباشته شده اند. فراتر از برنامه های اصلی ، مانند شناسایی و برچسب گذاری ویژگی های خاص در تصاویر ، یادگیری عمیق فرصت های زیادی را برای ایجاد انقلابی در زمینه شکل گیری تصویر ، بازسازی و سنجش در اختیار دارد. در حقیقت ، یادگیری عمیق بسیار قدرتمند است و محققان اپتیک را با آنچه می تواند برای پیشرفت میکروسکوپ نوری و معرفی روش های جدید بازسازی و تحول تصویر به دست آورد ، شگفت زده کرده است. طرح ها و دستگاه های نوری الهام گرفته از فیزیک در حال حرکت به سمت طراحی های مبتنی بر داده هستند که باعث تغییر کلی در سخت افزار و نرم افزار نوری میکروسکوپ و سنجش نسل بعدی می شود و این دو را با روش های جدید ترکیب می کند.