جدول المحتويات[يخفي][يعرض]
المستقبل هنا. وفي هذا المستقبل ، تفهم الآلات العالم من حولها بنفس الطريقة التي يفهمها الناس. يمكن لأجهزة الكمبيوتر قيادة السيارات وتشخيص الأمراض والتنبؤ بدقة بالمستقبل.
قد يبدو هذا مثل الخيال العلمي ، لكن نماذج التعلم العميق تجعله حقيقة واقعة.
تكشف هذه الخوارزميات المعقدة أسرار الذكاء الاصطناعي، مما يسمح لأجهزة الكمبيوتر بالتعلم والتطوير الذاتي. في هذا المنشور ، سوف نتعمق في عالم نماذج التعلم العميق.
وسنبحث في الإمكانات الهائلة التي يمتلكونها لإحداث ثورة في حياتنا. استعد للتعرف على أحدث التقنيات التي تغير مستقبل البشرية.
ما هي نماذج التعلم العميق بالضبط؟
هل سبق لك أن لعبت لعبة يتعين عليك فيها تحديد الاختلافات بين صورتين؟
إنه ممتع ، ومع ذلك ، يمكن أن يكون صعبًا أيضًا ، أليس كذلك؟ تخيل أن تكون قادرًا على تعليم الكمبيوتر كيفية لعب تلك اللعبة والفوز في كل مرة. نماذج التعلم العميق تحقق ذلك بالضبط!
تشبه نماذج التعلم العميق الآلات فائقة الذكاء التي يمكنها فحص عدد كبير من الصور وتحديد العناصر المشتركة بينها. ينجزون ذلك عن طريق تفكيك الصور ودراسة كل واحدة على حدة.
ثم يطبقون ما تعلموه لتحديد الأنماط والتنبؤ بالصور الجديدة التي لم يروها من قبل.
نماذج التعلم العميق عبارة عن شبكات عصبية اصطناعية يمكنها تعلم واستخراج أنماط وخصائص معقدة من مجموعات البيانات الضخمة. تتكون هذه النماذج من عدة طبقات من العقد أو الخلايا العصبية المرتبطة التي تقوم بتحليل البيانات الواردة وتغييرها لإنشاء مخرجات.
تعد نماذج التعلم العميق مناسبة بشكل خاص للوظائف التي تتطلب دقة ودقة كبيرين ، مثل التعرف على الصور والتعرف على الكلام ومعالجة اللغة الطبيعية والروبوتات.
لقد تم استخدامها في كل شيء من السيارات ذاتية القيادة إلى التشخيص الطبي وأنظمة التوصية و تحليلات تنبؤية.
إليك نسخة مبسطة من التصور لتوضيح تدفق البيانات في نموذج التعلم العميق.
تتدفق بيانات الإدخال إلى طبقة الإدخال الخاصة بالنموذج ، والتي تمرر البيانات بعد ذلك عبر عدد من الطبقات المخفية قبل تقديم توقع الإخراج.
تنفذ كل طبقة مخفية سلسلة من العمليات الحسابية على بيانات الإدخال قبل تمريرها إلى الطبقة التالية ، والتي توفر التنبؤ النهائي.
الآن ، دعنا نرى ما هي نماذج التعلم العميق وكيف يمكننا استخدامها في حياتنا.
1. الشبكات العصبية التلافيفية (CNNs)
تعد شبكات CNN نموذجًا تعليميًا عميقًا غير مجال رؤية الكمبيوتر. تُستخدم شبكات CNN لتصنيف الصور والتعرف على الكائنات وتقسيم الصور. شكل هيكل ووظيفة القشرة البصرية للإنسان تصميم شبكات CNN.
كيف تعمل؟
تتكون شبكة CNN من عدد من الطبقات التلافيفية وطبقات التجميع والطبقات المرتبطة بالكامل. المدخلات عبارة عن صورة ، والمخرج هو توقع لتسمية فئة الصورة.
تبني الطبقات التلافيفية لشبكة CNN خريطة معالم عن طريق تنفيذ منتج نقطي بين صورة الإدخال ومجموعة من المرشحات. تعمل طبقات التجميع على تقليل حجم خريطة المعالم عن طريق تصغير حجمها.
أخيرًا ، يتم استخدام خريطة المعالم بواسطة الطبقات المتصلة بالكامل للتنبؤ بتسمية فئة الصورة.
لماذا تعتبر شبكات CNN مهمة؟
تعد شبكات CNN ضرورية لأنها يمكن أن تتعلم اكتشاف الأنماط والخصائص في الصور التي يجد الناس صعوبة في ملاحظتها. يمكن تعليم شبكات CNN التعرف على الخصائص مثل الحواف والزوايا والأنسجة باستخدام مجموعات البيانات الكبيرة. بعد تعلم هذه الخصائص ، يمكن لشبكة CNN استخدامها لتحديد الأشياء في الصور الحديثة. أظهرت شبكات CNN أداءً متطورًا في مجموعة متنوعة من تطبيقات تحديد الصور.
أين نستخدم شبكات CNN
الرعاية الصحية وصناعة السيارات والتجزئة ليست سوى عدد قليل من القطاعات التي تستخدم شبكات CNN. في صناعة الرعاية الصحية ، يمكن أن تكون مفيدة لتشخيص المرض وتطوير الأدوية وتحليل الصور الطبية.
في قطاع السيارات ، يساعدون في اكتشاف الممرات ، كشف الكائن، والقيادة الذاتية. كما أنها تستخدم بشكل كبير في البيع بالتجزئة للبحث المرئي ، وتوصية المنتجات القائمة على الصور ، ومراقبة المخزون.
على سبيل المثال؛ تستخدم Google شبكات CNN في مجموعة متنوعة من التطبيقات ، بما في ذلك عدسة غوغل، أداة التعرف على الصور المحبوبة. يستخدم البرنامج شبكات CNN لتقييم الصور وإعطاء معلومات للمستخدمين.
يمكن لـ Google Lens ، على سبيل المثال ، التعرف على الأشياء في صورة وتقديم تفاصيل عنها ، مثل نوع الزهرة.
قد يترجم أيضًا النص المستخرج من صورة إلى لغات متعددة. Google Lens قادرة على تزويد المستهلكين بمعلومات مفيدة بسبب مساعدة CNNs في تحديد العناصر بدقة واستخراج الخصائص من الصور.
2. شبكات الذاكرة طويلة المدى (LSTM)
يتم إنشاء شبكات الذاكرة طويلة المدى (LSTM) لمعالجة أوجه القصور في الشبكات العصبية المتكررة المنتظمة (RNN). تعتبر شبكات LSTM مثالية للمهام التي تتطلب معالجة تسلسل البيانات عبر الوقت.
تعمل من خلال استخدام خلية ذاكرة محددة وثلاث آليات بوابات.
ينظمون تدفق المعلومات داخل وخارج الخلية. بوابة الإدخال ، نسيت البوابة وبوابة الإخراج هي البوابات الثلاثة.
تنظم بوابة الإدخال تدفق البيانات إلى خلية الذاكرة ، وتنظم بوابة النسيان حذف البيانات من الخلية ، وتنظم بوابة الإخراج تدفق البيانات خارج الخلية.
ما هي أهميتها؟
تعد شبكات LSTM مفيدة لأنها يمكن أن تمثل بنجاح وتوقع تسلسل البيانات مع علاقات طويلة الأمد. يمكنهم تسجيل والاحتفاظ بالمعلومات حول المدخلات السابقة ، مما يسمح لهم بعمل تنبؤات أكثر دقة حول المدخلات المستقبلية.
التعرف على الكلام ، والتعرف على خط اليد ، ومعالجة اللغة الطبيعية ، والتعليق على الصور ليست سوى عدد قليل من التطبيقات التي استفادت من شبكات LSTM.
أين نستخدم شبكات LSTM؟
تستخدم العديد من تطبيقات البرامج والتكنولوجيا شبكات LSTM ، بما في ذلك أنظمة التعرف على الكلام وأدوات معالجة اللغات الطبيعية مثل تحليل المشاعروأنظمة الترجمة الآلية وأنظمة إنشاء النصوص والصور.
تم استخدامها أيضًا في إنشاء سيارات وروبوتات ذاتية القيادة ، وكذلك في صناعة التمويل لاكتشاف الاحتيال وتوقع سوق الأوراق المالية الحركات.
3. شبكات الخصومة التوليدية (GANs)
GANs هي التعلم العميق التقنية المستخدمة لإنشاء عينات بيانات جديدة مشابهة لمجموعة بيانات معينة. تتكون شبكات GAN من اثنين الشبكات العصبية: واحد يتعلم إنتاج عينات جديدة والآخر يتعلم التمييز بين العينات الأصلية والمولدة.
في نهج مماثل ، يتم تدريب هاتين الشبكتين معًا حتى يتمكن المولد من توليد عينات لا يمكن تمييزها عن تلك الفعلية.
لماذا نستخدم شبكات GAN
تعتبر شبكات GAN مهمة بسبب قدرتها على إنتاج جودة عالية البيانات الاصطناعية يمكن استخدامها لمجموعة متنوعة من التطبيقات ، بما في ذلك إنتاج الصور والفيديو ، وإنشاء النصوص ، وحتى إنشاء الموسيقى.
كما تم استخدام شبكات GAN لزيادة البيانات ، وهو جيل البيانات الاصطناعية لتكملة بيانات العالم الحقيقي وتحسين أداء نماذج التعلم الآلي.
علاوة على ذلك ، من خلال إنشاء بيانات تركيبية يمكن استخدامها لتدريب النماذج وتقليد التجارب ، فإن شبكات GAN لديها القدرة على تحويل قطاعات مثل الطب وتطوير الأدوية.
تطبيقات شبكات GAN
يمكن لشبكات GAN أن تكمل مجموعات البيانات ، وإنشاء صور أو أفلام جديدة ، وحتى إنشاء بيانات تركيبية للمحاكاة العلمية. علاوة على ذلك ، تتمتع شبكات GAN بإمكانية استخدامها في مجموعة متنوعة من التطبيقات التي تتراوح من الترفيه إلى الطبية.
الأعمار ومقاطع الفيديو. تم استخدام StyleGAN2 من NVIDIA ، على سبيل المثال ، لإنشاء صور فوتوغرافية عالية الجودة للمشاهير والأعمال الفنية.
4. شبكات المعتقد العميق (DBNs)
شبكات المعتقد العميق (DBNs) هي الذكاء الاصطناعي الأنظمة التي يمكنها تعلم تحديد الأنماط في البيانات. إنهم ينجزون ذلك عن طريق تقسيم البيانات إلى أجزاء أصغر وأصغر ، واكتساب فهم أكثر شمولاً لها في كل مستوى.
قد تتعلم DBN من البيانات دون إبلاغها (يشار إلى هذا باسم "التعلم غير الخاضع للإشراف"). وهذا يجعلها ذات قيمة كبيرة لاكتشاف الأنماط في البيانات التي قد يجد الشخص صعوبة أو استحالة في تمييزها.
ما الذي يجعل DBNs مهمًا؟
تعد DBNs مهمة بسبب قدرتها على تعلم تمثيلات البيانات الهرمية. يمكن استخدام هذه التمثيلات لمجموعة متنوعة من التطبيقات مثل التصنيف واكتشاف الشذوذ وتقليل الأبعاد.
تعد قدرة DBNs على إجراء تدريب مسبق غير خاضع للإشراف ، والذي يمكن أن يزيد من أداء نماذج التعلم العميق مع الحد الأدنى من البيانات المصنفة ، فائدة كبيرة.
ما هي تطبيقات DBNs؟
أحد أهم التطبيقات هو كشف الكائن، حيث يتم استخدام DBN للتعرف على أنواع معينة من الأشياء مثل الطائرات والطيور والبشر. يتم استخدامها أيضًا لإنشاء الصور وتصنيفها ، واكتشاف الحركة في الأفلام ، وفهم اللغة الطبيعية لمعالجة الصوت.
علاوة على ذلك ، يتم استخدام DBNs بشكل شائع في مجموعات البيانات لتقييم المواقف البشرية. تعد DBNs أداة رائعة لمجموعة متنوعة من الصناعات ، بما في ذلك الرعاية الصحية والخدمات المصرفية والتكنولوجيا.
5. شبكات التعلم المعزز العميق (DRLs)
التناول العميق تعزيز التعلم تدمج الشبكات (DRLs) الشبكات العصبية العميقة مع تقنيات التعلم المعزز للسماح للوكلاء بالتعلم في بيئة معقدة عن طريق التجربة والخطأ.
تُستخدم DRLs لتعليم الوكلاء كيفية تحسين إشارة المكافأة من خلال التفاعل مع محيطهم والتعلم من أخطائهم.
ما الذي يجعلها رائعة؟
لقد تم استخدامها بفعالية في مجموعة متنوعة من التطبيقات ، بما في ذلك الألعاب والروبوتات والقيادة الذاتية. تعتبر DRLs مهمة لأنها يمكن أن تتعلم مباشرة من المدخلات الحسية الخام ، مما يسمح للوكلاء باتخاذ القرارات بناءً على تفاعلاتهم مع البيئة.
تطبيقات مهمة
يتم استخدام DRLs في ظروف العالم الحقيقي لأنه يمكنهم التعامل مع المشكلات الصعبة.
تم تضمين DRLs في العديد من البرامج ومنصات التكنولوجيا البارزة ، بما في ذلك OpenAI's Gym ، وكلاء ML في الوحدة، ومختبر Google DeepMind. AlphaGo، من صنع جوجل العقل العميق، على سبيل المثال ، يستخدم DRL للعب لعبة اللوحة Go على مستوى بطل العالم.
هناك استخدام آخر لـ DRL في الروبوتات ، حيث يتم استخدامه للتحكم في حركات الأذرع الروبوتية لتنفيذ المهام مثل إمساك الأشياء أو تكديس الكتل. DRLs لها استخدامات عديدة وهي أداة مفيدة لملفات وكلاء التدريب على التعلم واتخاذ القرارات في ظروف معقدة.
6. أجهزة التشفير التلقائي
تعد أجهزة التشفير التلقائي نوعًا مثيرًا للاهتمام من ملفات الشبكة العصبية التي استحوذت على اهتمام العلماء وعلماء البيانات. تم تصميمها بشكل أساسي لتعلم كيفية ضغط البيانات واستعادتها.
يتم تغذية بيانات الإدخال من خلال سلسلة من الطبقات التي تقلل تدريجياً من أبعاد البيانات حتى يتم ضغطها في طبقة عنق الزجاجة مع عدد أقل من العقد من طبقات الإدخال والإخراج.
ثم يتم استخدام هذا التمثيل المضغوط لإعادة إنشاء بيانات الإدخال الأصلية باستخدام سلسلة من الطبقات التي ترفع أبعاد البيانات تدريجيًا إلى شكلها الأصلي.
لماذا هو مهم؟
تعد أجهزة التشفير التلقائي عنصرًا حاسمًا في ملفات التعلم العميق لأنها تجعل استخراج الميزات وتقليل البيانات ممكنًا.
إنهم قادرون على تحديد العناصر الأساسية للبيانات الواردة وترجمتها إلى شكل مضغوط يمكن بعد ذلك تطبيقه على مهام أخرى مثل التصنيف أو التجميع أو إنشاء بيانات جديدة.
أين نستخدم المبرمجين الآليين؟
كشف الشذوذ ومعالجة اللغة الطبيعية و رؤية الكمبيوتر ليست سوى عدد قليل من التخصصات حيث يتم استخدام أجهزة التشفير التلقائي. يمكن استخدام أجهزة التشفير التلقائية ، على سبيل المثال ، لضغط الصور وتقليل الضوضاء وتوليف الصورة في رؤية الكمبيوتر.
يمكننا استخدام أجهزة التشفير التلقائي في مهام مثل إنشاء النص وتصنيف النص وتلخيص النص في معالجة اللغة الطبيعية. يمكنه تحديد النشاط الشاذ في البيانات التي تنحرف عن القاعدة في تحديد الشذوذ.
7. شبكات كبسولة
كبسولة الشبكات هي بنية تعليمية عميقة جديدة تم تطويرها كبديل للشبكات العصبية التلافيفية (CNNs).
تعتمد شبكات الكبسولة على فكرة تجميع وحدات الدماغ تسمى الكبسولات المسؤولة عن التعرف على وجود عنصر معين في صورة ما وترميز سماته ، مثل الاتجاه والموضع ، في متجهات الإخراج الخاصة بهم. لذلك يمكن للشبكات الكبسولة إدارة التفاعلات المكانية وتقلبات المنظور بشكل أفضل من شبكات CNN.
لماذا نختار شبكات الكبسولة بدلاً من شبكات CNN؟
تعتبر شبكات الكبسولة مفيدة لأنها تتغلب على صعوبات CNN في التقاط العلاقات الهرمية بين العناصر الموجودة في الصورة. يمكن لشبكات CNN التعرف على الأشياء ذات الأحجام المختلفة ولكنها تكافح لفهم كيفية اتصال هذه العناصر ببعضها البعض.
من ناحية أخرى ، يمكن لشبكات الكبسولة أن تتعلم التعرف على الأشياء وقطعها ، وكذلك كيفية وضعها مكانيًا في الصورة ، مما يجعلها منافسًا قابلاً للتطبيق لتطبيقات الرؤية الحاسوبية.
مجالات التطبيقات
لقد أظهرت شبكات الكبسولة بالفعل نتائج واعدة في مجموعة متنوعة من التطبيقات ، بما في ذلك تصنيف الصور وتحديد الكائنات وتجزئة الصورة.
لقد تم استخدامها لتمييز الأشياء في الصور الطبية ، والتعرف على الأشخاص في الأفلام ، وحتى إنشاء نماذج ثلاثية الأبعاد من الصور ثنائية الأبعاد.
لزيادة أدائها ، تم دمج شبكات الكبسولة مع بنى التعلم العميق الأخرى مثل شبكات الخصومة التوليدية (GANs) والمشفرات التلقائية المتغيرة (VAEs). من المتوقع أن تلعب شبكات الكبسولة دورًا حيويًا متزايدًا في تعزيز تقنيات رؤية الكمبيوتر مع تطور علم التعلم العميق.
فمثلا؛ نبيل هي أداة Python معروفة لقراءة وكتابة أنواع ملفات التصوير العصبي. لتجزئة الصور ، فإنه يستخدم شبكات كبسولة.
8. النماذج القائمة على الاهتمام
نماذج التعلم العميق المعروفة بالنماذج القائمة على الانتباه ، والمعروفة أيضًا باسم آليات الانتباه ، تسعى جاهدة لزيادة دقة نماذج التعلم الآلي. تعمل هذه النماذج من خلال التركيز على ميزات معينة للبيانات الواردة ، مما يؤدي إلى معالجة أكثر كفاءة وفعالية.
في مهام معالجة اللغة الطبيعية مثل الترجمة الآلية وتحليل المشاعر ، أثبتت طرق الانتباه أنها ناجحة تمامًا.
ما هي أهميتها؟
تعد النماذج القائمة على الانتباه مفيدة لأنها تتيح معالجة أكثر فعالية وكفاءة للبيانات المعقدة.
الشبكات العصبية التقليدية تقييم جميع بيانات الإدخال بنفس القدر من الأهمية ، مما يؤدي إلى معالجة أبطأ وانخفاض الدقة. تركز عمليات الانتباه على الجوانب الحاسمة لبيانات الإدخال ، مما يسمح بتنبؤات أسرع وأكثر دقة.
مجالات الاستخدام
في مجال الذكاء الاصطناعي ، تمتلك آليات الانتباه مجموعة واسعة من التطبيقات ، بما في ذلك معالجة اللغة الطبيعية ، والتعرف على الصور والصوت ، وحتى المركبات ذاتية القيادة.
يمكن استخدام طرق الانتباه ، على سبيل المثال ، لتحسين الترجمة الآلية في معالجة اللغة الطبيعية من خلال السماح للنظام بالتركيز على كلمات أو عبارات معينة ضرورية للسياق.
يمكن استخدام طرق الانتباه في السيارات ذاتية القيادة لمساعدة النظام في التركيز على عناصر أو تحديات معينة في محيطه.
9. شبكات المحولات
شبكات المحولات هي نماذج التعلم العميق التي تفحص وتنتج تسلسل البيانات. إنها تعمل عن طريق معالجة تسلسل الإدخال عنصرًا واحدًا في كل مرة وإنتاج تسلسل إخراج بنفس الطول أو بأطوال مختلفة.
شبكات المحولات ، على عكس نماذج التسلسل إلى التسلسل القياسية ، لا تعالج التسلسلات باستخدام الشبكات العصبية المتكررة (RNNs). بدلاً من ذلك ، يستخدمون عمليات الانتباه الذاتي لمعرفة الروابط بين أجزاء التسلسل.
ما هي أهمية شبكات المحولات؟
ازدادت شعبية شبكات المحولات في السنوات الأخيرة نتيجة لأدائها الأفضل في وظائف معالجة اللغة الطبيعية.
وهي مناسبة بشكل خاص لمهام إنشاء النص مثل ترجمة اللغة وتلخيص النص وإنتاج المحادثة.
تعد شبكات المحولات أكثر كفاءة من الناحية الحسابية بشكل ملحوظ من النماذج المستندة إلى RNN ، مما يجعلها الخيار المفضل للتطبيقات واسعة النطاق.
أين يمكنك العثور على شبكات المحولات؟
تستخدم شبكات المحولات على نطاق واسع في مجموعة واسعة من التطبيقات ، وأبرزها معالجة اللغة الطبيعية.
سلسلة GPT (المحولات العامة المدربة مسبقًا) هي نموذج بارز قائم على المحولات تم استخدامه لمهام مثل ترجمة اللغة وتلخيص النص وإنشاء chatbot.
BERT (تمثيلات التشفير ثنائية الاتجاه من المحولات) هو نموذج آخر شائع قائم على المحولات تم استخدامه لتطبيقات فهم اللغة الطبيعية مثل الإجابة على الأسئلة وتحليل المشاعر.
يبلغ قطر كلاً من GPT و BERT مع PyTorch، إطار عمل التعلم العميق مفتوح المصدر الذي كان شائعًا لتطوير النماذج القائمة على المحولات.
10. آلات بولتزمان المقيدة (RBMs)
آلات بولتزمان المقيدة (RBMs) هي نوع من الشبكات العصبية غير الخاضعة للإشراف والتي تتعلم بطريقة توليدية. نظرًا لقدرتهم على التعلم واستخراج الخصائص الأساسية من البيانات عالية الأبعاد ، فقد تم توظيفهم على نطاق واسع في مجالات التعلم الآلي والتعلم العميق.
تتكون RBMs من طبقتين ، مرئية ومخفية ، تتكون كل طبقة من مجموعة من الخلايا العصبية المتصلة بحواف مرجحة. تم تصميم RBMs لمعرفة توزيع الاحتمالات الذي يصف بيانات الإدخال.
ما هي آلات بولتزمان المقيدة؟
تستخدم الإدارة القائمة على النتائج استراتيجية التعلم التوليدية. في RBMs ، تعكس الطبقة المرئية بيانات الإدخال ، بينما تقوم الطبقة المدفونة بتشفير خصائص بيانات الإدخال. تظهر أوزان الطبقات المرئية والمخفية قوة ارتباطها.
تقوم RBM بضبط الأوزان والتحيزات بين الطبقات أثناء التدريب باستخدام تقنية تُعرف باسم الاختلاف التباين. الاختلاف التقابلي هو إستراتيجية تعلم غير خاضعة للإشراف تزيد من احتمالية توقع النموذج.
ما هي أهمية آلات بولتزمان المقيدة؟
تعتبر RBMs مهمة في آلة التعلم والتعلم العميق لأنهم يستطيعون التعلم واستخراج الخصائص ذات الصلة من كميات كبيرة من البيانات.
إنها فعالة جدًا في التعرف على الصور والكلام ، وقد تم توظيفها في مجموعة متنوعة من التطبيقات مثل أنظمة التوصية ، واكتشاف الشذوذ ، وتقليل الأبعاد. يمكن أن تجد أنظمة الإدارة القائمة على النتائج أنماطًا في مجموعات بيانات شاسعة ، مما يؤدي إلى تنبؤات ورؤى متفوقة.
أين يمكن استخدام آلات Boltzmann المقيدة؟
تشمل تطبيقات أنظمة الإدارة القائمة على النتائج تقليل الأبعاد ، وكشف الشذوذ ، وأنظمة التوصية. الإدارة القائمة على النتائج مفيدة بشكل خاص لتحليل المشاعر و نمذجة الموضوع في سياق معالجة اللغة الطبيعية.
شبكات المعتقدات العميقة ، وهي نوع من الشبكات العصبية المستخدمة في التعرف على الصوت والصورة ، تستخدم أيضًا أساليب الإدارة القائمة على النتائج. صندوق أدوات شبكة المعتقد العميق ، TensorFlowو Theano هي بعض الأمثلة الخاصة للبرامج أو التكنولوجيا التي تستخدم الإدارة القائمة على النتائج.
يتم إحتوائه
أصبحت نماذج التعلم العميق أكثر أهمية في مجموعة متنوعة من الصناعات ، بما في ذلك التعرف على الكلام ومعالجة اللغة الطبيعية ورؤية الكمبيوتر.
أظهرت الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs) أنها واعدة وتستخدم على نطاق واسع في العديد من التطبيقات ، ومع ذلك ، فإن جميع نماذج التعلم العميق لها مزاياها وعيوبها.
ومع ذلك ، لا يزال الباحثون يبحثون في آلات بولتزمان المقيدة (RBMs) وأنواع أخرى من نماذج التعلم العميق لأن لديهم أيضًا مزايا خاصة.
من المتوقع إنشاء نماذج جديدة ومبتكرة مع استمرار تقدم مجال التعلم العميق من أجل التعامل مع المشكلات الأكثر صعوبة
اترك تعليق