1. Geoffrey Hintonin vuoden 2006 paperi :Vuonna 2006 tietokonetieteilijä Geoffrey Hinton julkaisi Nature -lehdessä nimeltään "Deep Learning:Opetusohjelma syvien hermostoverkkojen suhteen". Tätä artikkelia pidetään maamerkkinä keinotekoisten hermoverkkojen alalla ja se auttoi suosimaan termiä "syvä oppiminen". Hintonia ja hänen Toronton yliopiston kollegoja pidetään laajalti pioneerina syvän oppimistekniikan kehittämisessä.
2. Yoshua Bengion käyttämä termi :Yoshua Bengio, toisella alan tunnettu tutkija, oli myös merkittävä rooli termin "syväoppimisen" popularisoinnissa 2000 -luvun alkupuolella. Bengio ja hänen kollegansa Université de Montréalissa suorittivat uraauurtavaa tutkimusta syvän oppimisen algoritmeista, ja hän käytti usein termiä "syvä oppiminen" tutkimusjulkaisuissaan.
3. kognitiivisen psykologian vaikutus :Jotkut uskovat, että termin "syvä oppiminen" inspiraatio on saattanut tulla käsitteestä "syvän rakenteen" käsitteestä kognitiivisessa psykologiassa. Syvä rakenne on termi, jota käytetään kielitieteessä ja kognitiivisessa psykologiassa kuvaamaan kielen taustalla olevaa esitystä tai syntaksia, joka ylittää sanojen ja lauseiden pintatason piirteet. Tämä käsite on saattanut vaikuttaa syvän oppimismallien ymmärrykseen kuvata taustalla olevia malleja ja monimutkaisia suhteita tietoihin.
4. Vertailu perinteiseen koneoppimiseen :Termi "syvä oppiminen" todennäköisesti keksittiin erottamaan se perinteisistä koneoppimismenetelmistä. Vaikka perinteiset koneoppimisalgoritmit luottavat usein mataliin hermoverkkoihin tai tietojen mataliin esityksiin, syvä oppiminen sisältää syvien hermostoverkkojen käytön, jossa on useita piilotettuja kerroksia. Nämä syvät arkkitehtuurit mahdollistavat monimutkaisemman ja hierarkkisen ominaisuuksien poiminnan, jolloin mallit voivat oppia datan korkeamman tason esityksiä.
5. Historiallinen konteksti :Neuraaliverkkotutkimuksen alkuaikoina matalat hermoverkot olivat normi, ja heillä oli rajoituksia esityskykynsä ja kykyjen käsitellä monimutkaisia ongelmia. 2000 -luvun lopulla voimakkaiden tietotekniikan resurssien, kuten graafisten prosessointiyksiköiden (GPU), syntyminen antoi mahdollisuuden kouluttaa syvempiä hermoverkkoja tehokkaasti. Tämä historiallinen konteksti auttoi termin tarvetta, joka vangitsi näiden uusien lähestymistapojen edistymisen ja lisääntyneen monimutkaisuuden, joten termi "syvä oppiminen" sai pitoa.
Se on todennäköisesti näiden tekijöiden yhdistelmä sekä tutkimustoimien ja läpimurtojen lähentyminen, mikä johti termin "syväoppimisen" laajalle levinneeseen käyttöönottoon kuvaamaan syviin hermostoverkkoihin keskittyneen koneoppimisen alakentän.