ለዓመታት ጥልቅ ትምህርት በቴክኖሎጂ ውስጥ ዋና ዜናዎችን ሲያደርግ ቆይቷል። እና ለምን እንደሆነ ለመረዳት ቀላል ነው።
ይህ የአርቴፊሻል ኢንተለጀንስ ዘርፍ ከጤና አጠባበቅ ወደ ባንክ አገልግሎት ወደ ማጓጓዣነት በመቀየር ከዚህ ቀደም ሊታሰቡ የማይችሉ እድገቶችን እያስቻለ ነው።
ጥልቅ ትምህርት የተገነባው ውስብስብ ንድፎችን ከብዙ የውሂብ መጠን ለማውጣት እና ለመተንበይ በሚማሩ ውስብስብ ስልተ ቀመሮች ስብስብ ነው።
በዚህ ልጥፍ ውስጥ ምርጥ 15 ጥልቅ ትምህርት ስልተ ቀመሮችን እንመለከታለን፣ ከኮንቮሉሽን ነርቭ ኔትወርኮች እስከ ጀነሬቲቭ አድቨርሳሪያል አውታረ መረቦች እስከ የረጅም ጊዜ የአጭር ጊዜ ማህደረ ትውስታ አውታረ መረቦች።
ይህ ልጥፍ እርስዎ ሀ መሆን አለመሆን ላይ አስፈላጊ ግንዛቤዎችን ይሰጣል ጀማሪ ወይም የጥልቅ ትምህርት ባለሙያ.
1. ትራንስፎርመር ኔትወርኮች
ትራንስፎርመር ኔትወርኮች ተለውጠዋል የኮምፒተር ራዕይ እና የተፈጥሮ ቋንቋ ሂደት (NLP) መተግበሪያዎች. የሚመጡ መረጃዎችን ይመረምራሉ እና የረጅም ርቀት ግንኙነቶችን ለመያዝ ትኩረት ሂደቶችን ይጠቀማሉ። ይህ ከተለመደው ተከታታይ-ወደ-ቅደም ተከተል ሞዴሎች ፈጣን ያደርጋቸዋል.
የትራንስፎርመር ኔትወርኮች መጀመሪያ የተገለጹት በቫስዋኒ እና ሌሎች “ትኩረት ብቻ ነው” በሚለው ህትመቱ ውስጥ።
ኢንኮደር እና ዲኮደር (2017) ያካትታሉ። የትራንስፎርመር ሞዴል በተለያዩ የ NLP አፕሊኬሽኖች ውስጥ አፈጻጸም አሳይቷል፣ ጨምሮ ስሜት ትንተና፣ የጽሑፍ ምደባ እና የማሽን ትርጉም።
ትራንስፎርመር ላይ የተመሰረቱ ሞዴሎችም በኮምፒዩተር እይታ ለመተግበሪያዎች ጥቅም ላይ ሊውሉ ይችላሉ። የነገር ማወቂያን እና የምስል መግለጫዎችን ማከናወን ይችላሉ።
2. የረጅም ጊዜ የአጭር ጊዜ ማህደረ ትውስታ አውታረ መረቦች (LSTMs)
የረጅም ጊዜ የአጭር ጊዜ የማህደረ ትውስታ አውታረ መረቦች (LSTMs) የ የነርቭ ኔትወርክ በተለይም ተከታታይ ግቤትን ለማስተናገድ የተሰራ። "ረዥም አጭር ጊዜ" ተብለው ይጠራሉ ምክንያቱም ከረጅም ጊዜ በፊት እውቀትን ማስታወስ እና አላስፈላጊ መረጃዎችን በመርሳት.
LSTMs በኔትወርኩ ውስጥ ያለውን የመረጃ ፍሰት የሚቆጣጠሩት በአንዳንድ "በሮች" በኩል ይሰራሉ። መረጃው ጠቃሚ እንደሆነ ወይም እንዳልተፈረደበት፣ እነዚህ በሮች እንዲገቡት ማድረግ ወይም መከላከል ይችላሉ።
ይህ ቴክኒክ LSTMs መረጃን ካለፉት ጊዜ እርምጃዎች እንዲያስታውሱ ወይም እንዲረሱ ያስችላቸዋል፣ይህም እንደ ንግግር ማወቂያ፣ የተፈጥሮ ቋንቋ ሂደት እና ተከታታይ ጊዜ ትንበያ ላሉት ተግባራት ወሳኝ ነው።
መገምገም ወይም መተንበይ ያለበት ተከታታይ ውሂብ በሚኖርዎት በማንኛውም ሁኔታ LSTMs እጅግ በጣም ጠቃሚ ናቸው። ብዙውን ጊዜ በድምጽ ማወቂያ ሶፍትዌር ውስጥ የንግግር ቃላትን ወደ ጽሑፍ ለመለወጥ ወይም ወደ ውስጥ ይጠቀማሉ የአክሲዮን ገበያ በቀድሞው መረጃ ላይ በመመርኮዝ የወደፊት ዋጋዎችን ለመተንበይ ትንታኔ.
3. ራስን ማደራጀት ካርታዎች (SOMs)
SOMs ሰው ሰራሽ ነው። መማር የሚችል የነርቭ አውታር እና ዝቅተኛ-ልኬት አካባቢ ውስጥ ውስብስብ ውሂብ ይወክላሉ. ዘዴው የሚሠራው ከፍተኛ-ልኬት ግቤት መረጃን ወደ ባለ ሁለት አቅጣጫዊ ፍርግርግ በመለወጥ ነው, እያንዳንዱ ክፍል ወይም ነርቭ የግቤት ቦታን የተለየ ክፍል ይወክላል.
የነርቭ ሴሎች አንድ ላይ የተሳሰሩ እና የቶፖሎጂካል መዋቅር ይፈጥራሉ, ይህም እንዲማሩ እና የግቤት ውሂቡን እንዲያስተካክሉ ያስችላቸዋል. ስለዚህ፣ SOM ቁጥጥር በሌለው ትምህርት ላይ የተመሰረተ ነው።
አልጎሪዝም አያስፈልግም የተሰየመ ውሂብ ለመማር። በምትኩ፣ በተለዋዋጮች መካከል ንድፎችን እና ትስስሮችን ለማግኘት የግቤት ውሂቡን ስታቲስቲካዊ ባህሪያት ይጠቀማል።
በስልጠናው ወቅት የነርቭ ሴሎች የግብአት መረጃን ምርጥ አመላካች ለመሆን ይወዳደራሉ። እናም, እራሳቸውን ወደ ትርጉም ያለው መዋቅር ያደራጃሉ. SOMs ምስል እና ንግግርን ማወቂያን፣ መረጃን ማውጣት እና ስርዓተ-ጥለት ማወቂያን ጨምሮ ሰፋ ያለ አፕሊኬሽኖች አሏቸው።
ለእነርሱ ጠቃሚ ናቸው ውስብስብ ውሂብን በዓይነ ሕሊናህ መመልከት፣ ተዛማጅ የውሂብ ነጥቦችን መሰብሰብ እና ያልተለመዱ ነገሮችን ወይም ውጫዊ ነገሮችን መለየት።
4. ጥልቅ የማጠናከሪያ ትምህርት
ጥልቅ የማጠናከሪያ ትምህርት አንድ ወኪል በሽልማት ስርዓት ላይ በመመስረት ውሳኔዎችን እንዲሰጥ የሰለጠኑበት የማሽን መማሪያ ዓይነት ነው። የሚሰራው ወኪሉ ከአካባቢው ጋር እንዲገናኝ እና በሙከራ እና በስህተት እንዲማር በማድረግ ነው።
ተወካዩ ለሚያደርገው እያንዳንዱ ተግባር ይሸለማል፣ እና አላማው በጊዜ ሂደት ጥቅሞቹን እንዴት ማሻሻል እንደሚቻል መማር ነው። ይህ ወኪሎች ጨዋታዎችን እንዲጫወቱ፣ መኪና እንዲነዱ እና እንዲያውም ሮቦቶችን እንዲያስተዳድሩ ለማስተማር ሊያገለግል ይችላል።
Q-Learning በጣም የታወቀ የጥልቅ ማጠናከሪያ ትምህርት ዘዴ ነው። የሚንቀሳቀሰው በተወሰነ ግዛት ውስጥ አንድን ተግባር ማከናወን ያለውን ዋጋ በመገምገም እና ወኪሉ ከአካባቢው ጋር በሚገናኝበት ጊዜ ግምቱን በማዘመን ነው።
ከዚያም ወኪሉ የትኛው እርምጃ ትልቁን ሽልማት እንደሚያስገኝ ለመወሰን እነዚህን ግምቶች ይጠቀማል። Q-Learning ወኪሎች Atari ጨዋታዎችን እንዲጫወቱ ለማስተማር እና እንዲሁም በመረጃ ማእከሎች ውስጥ የኃይል አጠቃቀምን ለማሻሻል ጥቅም ላይ ውሏል።
Deep Q-Networks ሌላው ታዋቂ የጥልቅ ማጠናከሪያ ትምህርት ዘዴ (DQN) ነው። DQNዎች ከሠንጠረዥ ይልቅ ጥልቅ የሆነ የነርቭ አውታር በመጠቀም የተግባር እሴቶችን በመገመት ከQ-Learning ጋር ተመሳሳይ ናቸው።
ይህ ከብዙ አማራጭ እርምጃዎች ጋር ግዙፍ እና ውስብስብ ቅንብሮችን እንዲቋቋሙ ያስችላቸዋል። DQNs እንደ Go እና Dota 2 ያሉ ጨዋታዎችን የሚጫወቱ ወኪሎችን ለማሰልጠን እንዲሁም መራመድ የሚችሉ ሮቦቶችን ለመፍጠር ጥቅም ላይ ውሏል።
5. ተደጋጋሚ የነርቭ አውታረ መረቦች (RNNs)
RNNs የውስጥ ሁኔታን እየጠበቀ ተከታታይ ውሂብን ማካሄድ የሚችል የነርቭ አውታረ መረብ አይነት ነው። እያንዳንዱ ቃል ከእሱ በፊት ከነበሩት ጋር በተዛመደ የተፈጨ መጽሐፍን ከሚያነብ ሰው ጋር እንደሚመሳሰል አስብበት።
RNNs እንደ ንግግር ማወቂያ፣ የቋንቋ ትርጉም እና ሌላው ቀርቶ የሚቀጥለውን ቃል በአረፍተ ነገር ለመተንበይ ላሉ ተግባራት ተስማሚ ናቸው።
RNNs የሚሠሩት የግብረመልስ ምልልሶችን በመጠቀም የእያንዳንዱን ጊዜ ውፅዓት ወደ ኋላ ወደሚቀጥለው ጊዜ ግቤት ለማገናኘት ነው። ይህ አውታረ መረቡ ለወደፊት ጊዜ እርምጃዎች ትንበያውን ለማሳወቅ የቀደመ ጊዜ ደረጃ መረጃን እንዲጠቀም ያስችለዋል። እንደ አለመታደል ሆኖ፣ ይህ ማለት ደግሞ RNNs ለሚጠፋው ቀስ በቀስ ችግር ተጋላጭ ናቸው፣ ይህም ለስልጠና የሚያገለግሉ ቅልጥፍናዎች በጣም ጥቃቅን ይሆናሉ እና አውታረ መረቡ የረጅም ጊዜ ግንኙነቶችን ለመማር ይታገላሉ።
ምንም እንኳን ይህ ግልጽ የሆነ ገደብ ቢኖርም ፣ RNNs በተለያዩ አፕሊኬሽኖች ውስጥ ጥቅም ላይ ውለው አግኝተዋል። እነዚህ አፕሊኬሽኖች የተፈጥሮ ቋንቋን ማቀናበር፣ የንግግር ማወቂያን እና ሙዚቃን ማምረትን ያካትታሉ።
ጉግል ትርጉምለምሳሌ በቋንቋዎች ለመተርጎም RNN ላይ የተመሰረተ ስርዓት ሲጠቀም Siri ቨርቹዋል ረዳት ደግሞ ድምጽን ለመለየት በRNN ላይ የተመሰረተ አሰራርን ይጠቀማል። RNNs የአክሲዮን ዋጋዎችን ለመተንበይ እና ተጨባጭ ጽሑፎችን እና ግራፊክስን ለመፍጠር ጥቅም ላይ ውለዋል።
6. Capsule Networks
Capsule Networks በመረጃ ውስጥ ያሉ ንድፎችን እና ትስስሮችን ይበልጥ ውጤታማ በሆነ መንገድ የሚለይ አዲስ ዓይነት የነርቭ ኔትወርክ ንድፍ ነው። የነርቭ ሴሎችን ወደ "capsules" ያደራጃሉ, ይህም የተወሰኑ የግብአት ገጽታዎችን ያመለክታሉ.
በዚህ መንገድ የበለጠ ትክክለኛ ትንበያዎችን ማድረግ ይችላሉ. ካፕሱል ኔትዎርኮች ብዙ የካፕሱል ንጣፎችን በመጠቀም ቀስ በቀስ የተወሳሰቡ ንብረቶችን ከግቤት ውሂብ ያወጣሉ።
Capsule Networks ቴክኒክ የተሰጠውን ግብአት ተዋረዳዊ ውክልና እንዲማሩ ያስችላቸዋል። በካፕሱሎች መካከል በመግባባት በሥዕሉ ውስጥ ባሉ ዕቃዎች መካከል የቦታ ግንኙነቶችን በትክክል መደበቅ ይችላሉ።
የነገር መለያ፣ የሥዕል ክፍፍል እና የተፈጥሮ ቋንቋ ሂደት ሁሉም የ Capsule Networks መተግበሪያዎች ናቸው።
Capsule Networks ውስጥ የመቀጠር አቅም አላቸው። በራስ ገዝነት መንዳት ቴክኖሎጂዎች. ስርዓቱን እንደ አውቶሞቢሎች፣ ሰዎች እና የትራፊክ ምልክቶች ያሉ ነገሮችን ለይቶ ለማወቅ እና ለመለየት ይረዳሉ። እነዚህ ስርዓቶች በአካባቢያቸው ስላሉት ነገሮች ባህሪ የበለጠ ትክክለኛ ትንበያዎችን በማድረግ ግጭቶችን ማስወገድ ይችላሉ።
7. ተለዋዋጭ አውቶኢንኮደሮች (VAEs)
VAEs ክትትል ለሌለው ትምህርት የሚያገለግል የጥልቅ ትምህርት መሣሪያ ነው። መረጃን ወደ ዝቅተኛ-ልኬት ቦታ በኮድ በማድረግ እና ከዚያም ወደ መጀመሪያው ቅርጸት በመቀየር በመረጃ ውስጥ ስርዓተ-ጥለቶችን መለየት ሊማሩ ይችላሉ።
ጥንቸልን ወደ ኮፍያ እና ከዚያም ወደ ጥንቸል የሚቀይር አስማተኛ ናቸው! VAEዎች ተጨባጭ ምስሎችን ወይም ሙዚቃን ለመፍጠር ጠቃሚ ናቸው። እና፣ ከዋናው ውሂብ ጋር ተመጣጣኝ የሆነ አዲስ መረጃ ለማምረት ሊያገለግሉ ይችላሉ።
VAEዎች ከሚስጥር ኮድ ሰባሪው ጋር ተመሳሳይ ናቸው። ከስር ያለውን ማወቅ ይችላሉ። የውሂብ መዋቅር እንቆቅልሹን እንዴት እንደሚፈርስ ሁሉ ወደ ቀለል ያሉ ቁርጥራጮች በመከፋፈል። ክፍሎቹን ካመቻቹ በኋላ ኦርጅናሉን የሚመስል አዲስ ውሂብ ለመገንባት ያንን መረጃ ሊጠቀሙበት ይችላሉ።
ይህ ግዙፍ ፋይሎችን ለመጭመቅ ወይም ትኩስ ግራፊክስ ወይም ሙዚቃን በተወሰነ ዘይቤ ለመስራት ምቹ ሊሆን ይችላል። VAEዎች እንደ የዜና ታሪኮች ወይም የሙዚቃ ግጥሞች ያሉ ትኩስ ይዘቶችን ማምረት ይችላሉ።
8. ጀነሬቲቭ አድቨርሳሪያል ኔትወርኮች (GANs)
GANs (ጄኔሬቲቭ አድቨርሳሪያል ኔትወርኮች) ከዋናው ጋር የሚመሳሰል አዲስ መረጃ የሚያመነጭ የጥልቅ ትምህርት ስርዓት አይነት ነው። ሁለት ኔትወርኮችን በማሰልጠን ይሠራሉ፡ ጀነሬተር እና አድሎአዊ ኔትወርክ።
ጀነሬተሩ ከመጀመሪያው ጋር የሚወዳደር አዲስ መረጃ ያመነጫል።
እና፣ አድልዎ አድራጊው የመጀመሪያውን እና የተፈጠረውን ውሂብ ለመለየት ይሞክራል። ሁለቱ ኔትወርኮች በጥምረት የሰለጠኑ ናቸው፣ ጀነሬተሩ አድሏዊውን ለማታለል ሲሞክር እና አድሎአዊው ዋናውን መረጃ በትክክል ለመለየት እየሞከረ ነው።
GANs በአጭበርባሪ እና በመርማሪ መካከል እንደ መስቀል ይቁጠሩ። ጀነሬተሩ ከመጀመሪያው ጋር የሚመሳሰል አዲስ የጥበብ ስራን ከማዘጋጀት ጋር ተመሳሳይ በሆነ መልኩ ይሰራል።
አድሎአዊው እንደ መርማሪ ሆኖ ይሠራል፣ በእውነተኛ የስነጥበብ ስራ እና በሃሰት መካከል ያለውን ልዩነት ለመለየት ይሞክራል። ሁለቱ ኔትወርኮች በጥምረት የሰለጠኑ ናቸው፣ ጄኔሬተሩ አሳማኝ የሆኑ ሀሰተኛ መረጃዎችን በመስራት ላይ እያሻሻለ እና አድሎአዊው እነሱን በመገንዘብ እየተሻሻለ ነው።
GANs የሰዎችን ወይም የእንስሳትን እውነተኛ ምስሎችን ከማዘጋጀት እስከ አዲስ ሙዚቃ ወይም ጽሑፍ ድረስ በርካታ አጠቃቀሞች አሏቸው። የማሽን መማሪያ ሞዴሎችን ለማሰልጠን ትልቅ የውሂብ ስብስብ ለመገንባት የተመረተ መረጃን ከእውነተኛ መረጃ ጋር በማጣመር ለመረጃ መጨመር ሊያገለግሉ ይችላሉ።
9. ጥልቅ Q-አውታረ መረቦች (DQNs)
Deep Q-Networks (DQNs) የውሳኔ ሰጪ ማጠናከሪያ ትምህርት ስልተ ቀመር አይነት ናቸው። እነሱ የሚሠሩት በተወሰነ ሁኔታ ውስጥ አንድን ተግባር ለመፈጸም የሚጠበቀውን ሽልማት የሚተነብይ Q-ተግባርን በመማር ነው።
የQ-ተግባር በሙከራ እና በስህተት ይማራል፣ አልጎሪዝም የተለያዩ ድርጊቶችን በመሞከር እና ከውጤቶቹ ይማራል።
እንደ ሀ በኮምፒውተርና መሰል መሳሪያዎች ላይ የሚጫወቱት ጨዋታ ገጸ ባህሪ በተለያዩ ድርጊቶች መሞከር እና የትኞቹ ወደ ስኬት እንደሚመሩ ማወቅ! DQNs ጥልቅ የነርቭ ኔትወርክን በመጠቀም የQ-ተግባርን ያሠለጥናሉ፣ ይህም ለአስቸጋሪ የውሳኔ አሰጣጥ ተግባራት ውጤታማ መሣሪያ ያደርጋቸዋል።
እንደ ጎ እና ቼዝ በመሳሰሉት ጨዋታዎች እንዲሁም በሮቦቲክስ እና እራስን በሚሽከረከሩ አውቶሞቢሎች የሰብአዊ ሻምፒዮኖችን አሸንፈዋል። ስለዚህ፣ በአጠቃላይ፣ DQNዎች በጊዜ ሂደት የውሳኔ አሰጣጥ ችሎታቸውን ለማሳደግ ከልምድ በመማር ይሰራሉ።
10. ራዲያል መሰረት ተግባር ኔትወርኮች (RBFNs)
ራዲያል ባሲስ ተግባር ኔትወርኮች (RBFNs) ተግባራትን ለመገመት እና ምደባ ተግባራትን ለማከናወን የሚያገለግል የነርቭ ኔትወርክ ዓይነት ነው። የራዲል መሰረት ተግባራትን በመጠቀም የግብአት መረጃን ወደ ከፍተኛ-ልኬት ቦታ በመቀየር ይሰራሉ።
የአውታረ መረቡ ውፅዓት የመሠረት ተግባራት መስመራዊ ጥምረት ነው ፣ እና እያንዳንዱ ራዲያል መሠረት ተግባር በግቤት ቦታ ውስጥ መሃል ነጥብን ይወክላል።
RBFNዎች በተለይ ውስብስብ የግብአት-ውፅዓት መስተጋብር ላላቸው ሁኔታዎች ውጤታማ ናቸው፣ እና ክትትል የሚደረግበት እና ክትትል የማይደረግበት ትምህርትን ጨምሮ ሰፋ ያሉ ቴክኒኮችን በመጠቀም ሊማሩ ይችላሉ። ከፋይናንሺያል ትንበያዎች እስከ ምስል እና የንግግር እውቅና እስከ የህክምና መመርመሪያ ድረስ ለማንኛውም ነገር ጥቅም ላይ ውለዋል።
RBFNsን እንደ ጂፒኤስ ስርዓት አስቡበት ተከታታይ መልህቅ ነጥቦችን በመጠቀም ፈታኝ የሆነ ቦታን ለመሻገር። የአውታረ መረቡ ውፅዓት የመልህቆሪያ ነጥቦች ጥምረት ነው, እሱም ለጨረር መሰረታዊ ተግባራት ይቆማል.
ውስብስብ መረጃዎችን ማሰስ እና RBFNዎችን በመቅጠር ሁኔታው እንዴት እንደሚሆን ትክክለኛ ትንበያዎችን መፍጠር እንችላለን።
11. ባለብዙ ሽፋን ፐርሴፕትሮንስ (MLPs)
መልቲሌየር ፐርሴፕሮን (MLP) የሚባል የነርቭ አውታረ መረብ ዓይነተኛ ቅርጽ ለክትትል የትምህርት ተግባራት እንደ ምደባ እና መመለሻነት ያገለግላል። እነሱ የሚሠሩት ብዙ ንብርብሮችን የተገናኙ ኖዶችን ወይም የነርቭ ሴሎችን በመደርደር ነው፣ እያንዳንዱ ሽፋን ያለመስመር ገቢ መረጃን ይለውጣል።
በMLP ውስጥ፣ እያንዳንዱ ነርቭ ከታች ባለው ንብርብር ውስጥ ካሉት የነርቭ ሴሎች ግብአት ያገኛል እና ከላይ ባለው ንብርብር ውስጥ ላሉ የነርቭ ሴሎች ምልክት ይልካል። የእያንዳንዱ የነርቭ ውፅዓት የሚወሰነው የማግበር ተግባርን በመጠቀም ነው ፣ይህም የአውታረ መረቡ መስመር አልባነት ይሰጣል።
ብዙ የተደበቁ ንብርቦች ሊኖራቸው ስለሚችል የተራቀቁ የግቤት ውሂቦችን መማር ይችላሉ።
ኤምኤልፒዎች እንደ ስሜት ትንተና፣ ማጭበርበር ፈልጎ ማግኘት እና የድምጽ እና ምስል ማወቂያን በመሳሰሉ ተግባራት ላይ ተተግብረዋል። ኤምኤልፒዎች አስቸጋሪ ጉዳይን ለመስበር አብረው ከሚሰሩ የመርማሪዎች ቡድን ጋር ሊመሳሰል ይችላል።
እያንዳንዳቸው የተለየ የልዩነት ቦታ ቢኖራቸውም አንድ ላይ ሆነው እውነታውን አንድ ላይ ሰብስበው ወንጀሉን መፍታት ይችላሉ።
12. Convolutional Neural Networks (ሲኤንኤን)
ምስሎች እና ቪዲዮዎች የሚሠሩት convolutional neural networks (CNNs) በሆነው የነርቭ ኔትወርክ ዓይነት በመጠቀም ነው። ከግቤት ውሂቡ ጠቃሚ ባህሪያትን ለማውጣት ሊማሩ የሚችሉ ማጣሪያዎችን ወይም ከርነሎችን በመቅጠር ይሰራሉ።
ማጣሪያዎቹ የምስሉን አስፈላጊ ገጽታዎች የሚይዝ የባህሪ ካርታ ለመገንባት በግቤት ስእል ላይ ይንሸራተታሉ።
CNNs የሥዕሉን ባህሪያት ተዋረዳዊ ውክልናዎችን መማር ሲችሉ፣ በተለይም እጅግ በጣም ብዙ የእይታ መረጃዎችን ለሚያካትቱ ሁኔታዎች አጋዥ ናቸው። እንደ ዕቃ ፈልጎ ማግኘት፣ የሥዕል ምድብ እና የፊት ማወቅን የመሳሰሉ በርካታ መተግበሪያዎች ተጠቅመዋል።
ድንቅ ስራ ለመስራት ብዙ ብሩሾችን የሚጠቀም ሲኤንኤንን እንደ ሰዓሊ ይቁጠሩት። እያንዳንዱ ብሩሽ ከርነል ነው, እና አርቲስቱ ብዙ እንክብሎችን በማቀላቀል ውስብስብ እና ተጨባጭ ምስል ሊገነባ ይችላል. ከፎቶዎች ጠቃሚ ባህሪያትን አውጥተን የምስሉን ይዘት በትክክል ለመተንበይ CNN ልንጠቀም እንችላለን።
13. ጥልቅ እምነት አውታረ መረቦች (ዲቢኤን)
DBNs ለክትትል ላልሆኑ የመማሪያ ተግባራት እንደ ልኬት መቀነስ እና የባህሪ ትምህርት ላሉ ተግባራት የሚያገለግል የነርቭ ኔትወርክ አይነት ነው። የግብአት መረጃን መልሶ ማዋቀር መማር የሚችሉ ባለ ሁለት ሽፋን የነርቭ ኔትወርኮች ብዙ የተከለከሉ ቦልትማን ማሽኖች (RBMs) ንብርብሮችን በመደርደር ይሠራሉ።
ዲቢኤንዎች ለከፍተኛ ደረጃ ዳታ ጉዳዮች በጣም ጠቃሚ ናቸው ምክንያቱም የግብአቱን ውሱን እና ቀልጣፋ ውክልና መማር ይችላሉ። ከድምጽ ማወቂያ ጀምሮ እስከ ምስል ምድብ እስከ አደንዛዥ እጽ ግኝት ድረስ ለማንኛውም ነገር ጥቅም ላይ ውለዋል።
ለምሳሌ፣ ተመራማሪዎች የመድሃኒት እጩዎችን ከኤስትሮጅን ተቀባይ ጋር ያለውን ትስስር ለመገመት ዲቢኤንን ቀጥረዋል። ዲቢኤን በኬሚካላዊ ባህሪያት ስብስብ እና በማያያዝ ትስስር ላይ የሰለጠነው እና የልቦለድ መድሃኒት እጩዎችን ትስስር በትክክል መተንበይ ችሏል።
ይህ ዲቢኤን በመድኃኒት ልማት እና በሌሎች ከፍተኛ-ልኬት ዳታ አፕሊኬሽኖች ላይ ያለውን ጥቅም ያጎላል።
14. Autoencoders
Autoencoders ለክትትል ላልሆኑ የመማሪያ ተግባራት የሚያገለግሉ የነርቭ መረቦች ናቸው። እነሱ የግብአት ውሂቡን እንደገና ለመገንባት የታቀዱ ናቸው፣ ይህ የሚያመለክተው መረጃውን ወደ ውክልና መክተትን ይማራሉ እና ከዚያ ወደ መጀመሪያው ግቤት ይመልሱት።
Autoencoders ለመረጃ መጭመቅ፣ ጫጫታ ለማስወገድ እና ያልተለመዱ ነገሮችን ለመለየት በጣም ውጤታማ ናቸው። እንዲሁም ለባህሪ ትምህርት ሊያገለግሉ ይችላሉ፣የአውቶኢንኮደር ውክልና ወደ ክትትል የሚደረግበት የመማር ተግባር።
በክፍል ውስጥ ማስታወሻ የሚይዙ ተማሪዎች እንዲሆኑ autoencoders ያስቡባቸው። ተማሪው ትምህርቱን ያዳምጣል እና በጣም አስፈላጊ የሆኑትን ነጥቦች በአጭሩ እና በብቃት ይጽፋል።
በኋላ፣ ተማሪው በማስታወሻቸው ተጠቅሞ ትምህርቱን ሊያስታውስ ይችላል። አውቶኢንኮደር በሌላ በኩል የግቤት ውሂቡን ወደ ውክልና ያስገባዋል ፣ይህም በኋላ ለተለያዩ ዓላማዎች እንደ ያልተለመደ ፍለጋ ወይም የውሂብ መጭመቅ።
15. የተገደቡ ቦልትማን ማሽኖች(አርቢኤም)
RBMs (የተገደበ ቦልትዝማን ማሽኖች) ክትትል ለሌለው የመማሪያ ተግባራት የሚያገለግል የጄኔሬቲቭ የነርቭ ኔትወርክ ዓይነት ነው። እነሱ ከሚታየው ንብርብር እና ከተደበቀ ንብርብር የተሠሩ ናቸው ፣ በእያንዳንዱ ሽፋን ውስጥ የነርቭ ሴሎች ያሉት ፣ የተገናኙ ግን በአንድ ንብርብር ውስጥ አይደሉም።
RBMs የሰለጠኑት ንፅፅር ልዩነት በመባል በሚታወቀው ቴክኒክ ሲሆን ይህም በሚታዩ እና በተደበቁ ንብርቦች መካከል ያለውን የክብደት መለዋወጥ የስልጠናውን መረጃ እድል ለማመቻቸት ነው። RBMs ከተማረው ስርጭት ናሙና በመውሰድ ከሰለጠኑ በኋላ አዲስ መረጃ ሊፈጥሩ ይችላሉ።
ምስል እና ንግግርን ማወቂያ፣ የትብብር ማጣሪያ እና ያልተለመደ ማወቂያ ሁሉም RBMs የቀጠሩ መተግበሪያዎች ናቸው። እንዲሁም ከተጠቃሚ ባህሪ ስርዓተ ጥለቶችን በመማር የተበጁ ምክሮችን ለመፍጠር በምክር ስርዓቶች ውስጥ ጥቅም ላይ ውለዋል።
RBMs የታመቀ እና ቀልጣፋ የከፍተኛ መጠን ዳታ ውክልና ለመፍጠር በባህሪ ትምህርት ላይም ጥቅም ላይ ውለዋል።
ማጠቃለያ እና ተስፋ ሰጪ እድገቶች በአድማስ ላይ
እንደ Convolutional Neural Networks (CNNs) እና Recurrent Neural Networks (RNNs) ያሉ ጥልቅ የመማር ዘዴዎች በጣም የላቁ አርቴፊሻል ኢንተለጀንስ አቀራረቦች ናቸው። ሲ ኤን ኤን የምስል እና የኦዲዮ ማወቂያን ለውጠዋል ፣ RNNs ግን በተፈጥሮ ቋንቋ አቀነባበር እና በቅደም ተከተል መረጃ ትንተና በከፍተኛ ደረጃ እድገት አሳይተዋል።
የእነዚህ አካሄዶች የዝግመተ ለውጥ ሂደት የሚቀጥለው እርምጃ ቅልጥፍናቸውን እና መጠነ-ሰፊነታቸውን በማሻሻል፣ ትልልቅ እና የተወሳሰቡ የውሂብ ስብስቦችን እንዲተነትኑ በመፍቀድ፣ እንዲሁም አተረጓጎም እና ብዙም ከተሰየሙ መረጃዎች የመማር ችሎታቸውን በማጎልበት ላይ ያተኩራል።
ጥልቅ ትምህርት እየገፋ ሲሄድ እንደ ጤና አጠባበቅ፣ ፋይናንስ እና ራስን በራስ የማስተዳደር ስርዓቶች ባሉ መስኮች ስኬቶችን የመፍቀድ እድል አለው።
መልስ ይስጡ