Shekaru da yawa, zurfin ilmantarwa yana yin kanun labarai a cikin fasaha. Kuma, yana da sauƙi don gane dalilin.
Wannan reshe na basirar wucin gadi yana canza sassa daga kiwon lafiya zuwa banki zuwa sufuri, yana ba da damar ci gaban da ba za a iya zato ba.
An gina zurfafa ilmantarwa akan saiti na ƙwararrun algorithms waɗanda ke koyan cirewa da tsinkayar ƙira mai rikitarwa daga ɗimbin bayanai.
Za mu duba mafi kyawun algorithms 15 mai zurfi na ilmantarwa a cikin wannan post, daga hanyoyin sadarwa na Juyin Halitta zuwa Cibiyoyin Adversarial Networks zuwa Cibiyoyin Ƙwaƙwalwar Ƙwaƙwalwar Dogon Lokaci.
Wannan sakon zai ba da mahimman bayanai game da ko kun kasance a mafari ko gwani a zurfafa ilmantarwa.
1. Transformer Networks
Rukunin hanyoyin sadarwa sun canza hangen nesa na kwamfuta da aikace-aikacen sarrafa harshe na halitta (NLP). Suna nazarin bayanan mai shigowa kuma suna amfani da hanyoyin kulawa don kama dangantaka mai nisa. Wannan ya sa su sauri fiye da na al'ada jerin-zuwa-jeri.
An fara bayyana hanyoyin sadarwa na transformer a cikin littafin "Hankali shine Duk Abinda kuke Bukata" na Vaswani et al.
Sun ƙunshi encoder da decoder (2017). Samfurin mai canzawa ya nuna aiki a cikin aikace-aikacen NLP iri-iri, gami da tantance tunani, rarraba rubutu, da fassarar inji.
Hakanan za'a iya amfani da samfuran tushen transformer a hangen nesa na kwamfuta don aikace-aikace. Suna iya aiwatar da gano abu da taken hoto.
2. Cibiyoyin Ƙwaƙwalwar Ƙwaƙwalwar Ƙwaƙwalwa na Dogon Lokaci (LSTMs)
Cibiyoyin Ƙwaƙwalwar Ƙwaƙwalwa na Dogon Lokaci (LSTMs) nau'i ne na neural network musamman ginanne don sarrafa shigar da jeri. Ana kiran su da "dogon ɗan gajeren lokaci" saboda suna iya tunawa da ilimi daga dogon lokaci yayin da suke manta da bayanan da ba dole ba.
LSTMs suna aiki ta wasu “ƙofofin” waɗanda ke tafiyar da kwararar bayanai a cikin hanyar sadarwa. Dangane da ko bayanin yana da mahimmanci ko a'a, waɗannan ƙofofin na iya ko dai bari su shiga ko hana su.
Wannan dabara tana baiwa LSTMs damar tunawa ko manta bayanai daga matakan lokaci da suka gabata, waɗanda ke da mahimmanci ga ayyuka kamar fahimtar magana, sarrafa harshe na halitta, da hasashen jerin lokaci.
LSTMs suna da matuƙar fa'ida a kowane hali inda kuke da bayanan jeri wanda dole ne a kimanta ko kintace. Ana amfani da su sau da yawa a software na tantance murya don canza kalmomin magana zuwa rubutu, ko a ciki stock kasuwa bincike don hasashen farashin nan gaba bisa bayanan da suka gabata.
3. Taswirorin Gudanar da Kai (SOMs)
SOMs wani nau'i ne na wucin gadi Neural cibiyar sadarwa wanda zai iya koyo kuma suna wakiltar bayanai masu rikitarwa a cikin ƙananan yanayi. Hanyar tana aiki ta hanyar canza bayanan shigarwa mai girma zuwa grid mai girma biyu, tare da kowace naúrar ko neuron da ke wakiltar wani ɓangare na wurin shigarwa.
An haɗa ƙwayoyin jijiyoyin jiki tare kuma suna ƙirƙirar tsarin topological, ba su damar koyo da daidaitawa ga bayanan shigarwa. Don haka, SOM yana dogara ne akan koyo mara kulawa.
Algorithm ba ya buƙatar labeled data koyi da. Madadin haka, tana amfani da fasalin ƙididdiga na bayanan shigarwa don gano alamu da alaƙa tsakanin masu canji.
A lokacin horon, neurons suna gasa don zama mafi kyawun nuni na bayanan shigarwa. Kuma, sun shirya kansu cikin tsari mai ma'ana. SOMs suna da aikace-aikace iri-iri, gami da tantance hoto da magana, haƙar ma'adinan bayanai, da ƙirar ƙira.
Suna da amfani ga gani mai rikitarwa bayanai, tattara wuraren bayanai masu alaƙa, da gano rashin daidaituwa ko abubuwan da ba su dace ba.
4. Zurfafa Koyon ƙarfafawa
Deep Sanin Karatu wani nau'i ne na koyo na na'ura wanda aka horar da wakili don yanke shawara bisa tsarin lada. Yana aiki ta hanyar barin wakili ya yi hulɗa tare da kewaye kuma ya koya ta hanyar gwaji da kuskure.
Ana ba wa wakilin lada ga kowane aikin da ya yi, kuma manufarsa ita ce ta koyi yadda za a inganta fa'idodinsa a kan lokaci. Ana iya amfani da wannan don koya wa wakilai yin wasanni, tuƙi motoci, har ma da sarrafa mutummutumi.
Q-Learning sanannen hanya ce ta Ƙarfafa Ƙarfafa Koyo. Yana aiki ta hanyar tantance ƙimar yin wani aiki a wata jiha da sabunta waccan ƙiyasin yayin da wakili ke hulɗa da muhalli.
Sa'an nan wakili ya yi amfani da waɗannan ƙididdiga don sanin wane aiki ne zai iya haifar da sakamako mafi girma. An yi amfani da Q-Learning don ilimantar da wakilai don yin wasannin Atari, da kuma inganta amfani da makamashi a cibiyoyin bayanai.
Deep Q-Networks wata sanannen hanyar Koyon Ƙarfafa Ƙarfafawa (DQN). DQNs sunyi kama da Q-Learning a cikin cewa suna kimanta ƙimar aiki ta amfani da hanyar sadarwa mai zurfi maimakon tebur.
Wannan yana ba su damar yin aiki da manya-manyan saituna masu sarƙaƙƙiya tare da ayyuka daban-daban. An yi amfani da DQNs don horar da wakilai don yin wasanni irin su Go da Dota 2, da kuma ƙirƙirar robots da za su iya koyon tafiya.
5. Cibiyoyin Sadarwar Jijiya na Maimaituwa (RNNs)
RNNs wani nau'i ne na hanyar sadarwa na jijiya wanda zai iya aiwatar da bayanan jeri-duka yayin kiyaye yanayin ciki. Ka yi la’akari da shi kamar wanda yake karanta littafi, inda kowace kalma ta narke dangane da waɗanda suka zo gabanta.
Don haka RNNs sun dace don ayyuka kamar fahimtar magana, fassarar harshe, har ma da hasashen kalma ta gaba a cikin jumla.
RNNs suna aiki ta amfani da madaukai na amsawa don haɗa kayan fitarwa na kowane lokaci mataki baya zuwa shigar da mataki na gaba. Wannan yana bawa cibiyar sadarwar damar amfani da bayanan mataki na farko don sanar da hasashenta na matakan lokaci na gaba. Abin baƙin ciki shine, wannan kuma yana nufin cewa RNNs suna da rauni ga matsalar gradient mai ɓacewa, wanda gradients da aka yi amfani da su don horarwa suka zama ƙanƙanta kuma hanyar sadarwar tana kokawa don koyan alaƙa na dogon lokaci.
Duk da wannan ƙaƙƙarfan ƙaƙƙarfan, RNNs sun sami amfani a cikin kewayon aikace-aikace. Waɗannan aikace-aikacen sun haɗa da sarrafa harshe na halitta, fahimtar magana, har ma da samar da kiɗa.
fassarar Google, alal misali, yana amfani da tsarin tushen RNN don fassara cikin harsuna, yayin da Siri, mataimaki na gani, yana amfani da tsarin tushen RNN don gano murya. Hakanan an yi amfani da RNNs don yin hasashen farashin hannun jari da ƙirƙirar rubutu na gaskiya da zane.
6. Capsule Networks
Capsule Networks wani sabon nau'i ne na ƙirar hanyar sadarwa na jijiyoyi wanda zai iya gano alamu da alaƙa a cikin bayanai yadda ya kamata. Suna tsara neurons zuwa “capsules” waɗanda ke ɓoye wasu ɓangarori na shigarwa.
Ta wannan hanyar za su iya yin ƙarin ingantattun tsinkaya. Capsule Networks suna fitar da kaddarorin masu rikitarwa daga bayanan shigarwa ta hanyar amfani da yadudduka na capsules da yawa.
Dabarun hanyoyin sadarwa na Capsule suna ba su damar koyon wakilcin matsayi na shigarwar da aka bayar. Suna iya ɓoye haɗe-haɗe da kyau tsakanin abubuwa a cikin hoto ta hanyar sadarwa tsakanin capsules.
Gane abu, rarrabuwar hoto, da sarrafa harshe na halitta duk aikace-aikacen Sadarwar Capsule ne.
Capsule Networks suna da yuwuwar yin aiki a ciki tuki mai 'yanci fasaha. Suna taimaka wa tsarin don gane da kuma bambanta abubuwa kamar motoci, mutane, da alamun zirga-zirga. Waɗannan tsare-tsaren na iya guje wa karo ta hanyar yin ƙarin tsinkaya game da halayen abubuwa a cikin muhallinsu.
7. Bambancin Autoencoders (VAEs)
VAEs wani nau'i ne na kayan aikin ilmantarwa mai zurfi wanda ake amfani da shi don koyo mara kulawa. Ta hanyar shigar da bayanai cikin ƙananan sarari sannan kuma zazzage shi zuwa tsarin asali, za su iya koyan tabo alamu a cikin bayanai.
Suna kama da mai sihiri wanda zai iya canza zomo ya zama hula sannan ya koma bunny! VAEs suna da fa'ida don ƙirƙirar abubuwan gani na zahiri ko kiɗa. Kuma, ana iya amfani da su don samar da sabbin bayanai waɗanda suke kwatankwacin ainihin bayanan.
VAEs sun yi kama da mai ɓoye lambar sirri. Za su iya gano abin da ke ciki tsarin bayanai ta hanyar rarraba shi zuwa sassauƙa, kamar yadda ake karyewar wasa. Za su iya yin amfani da wannan bayanin don gina sabbin bayanai masu kama da na asali bayan sun tsara sassan.
Wannan na iya zama mai amfani don damfara manyan fayiloli ko samar da sabbin hotuna ko kiɗa a cikin wani salo. VAEs kuma na iya samar da sabobin abun ciki, kamar labaran labarai ko waƙoƙin kiɗa.
8. Generative Adversarial Networks (GANs)
GANs (Generative Adversarial Networks) wani nau'i ne na tsarin ilmantarwa mai zurfi wanda ke haifar da sababbin bayanai masu kama da asali. Suna aiki ta hanyar horar da cibiyoyin sadarwa guda biyu: janareta da cibiyar sadarwar wariya.
Janareta yana samar da sabbin bayanai wanda yayi kama da na asali.
Kuma, mai wariya yayi ƙoƙarin bambancewa tsakanin ainihin bayanan da aka ƙirƙira. An horar da cibiyoyin sadarwa guda biyu daidai gwargwado, tare da janareta na ƙoƙarin yaudarar mai nuna wariya da kuma wariya na ƙoƙarin gano ainihin bayanan da kyau.
Yi la'akari da GAN a matsayin giciye tsakanin mai ƙirƙira da mai bincike. Mai janareta yana aiki makamancin haka da mai ƙirƙira, yana samar da sabbin zane-zane masu kama da na asali.
Mai wariya yana aiki azaman mai bincike, yana ƙoƙarin bambancewa tsakanin ainihin aikin fasaha da jabu. An horar da cibiyoyin sadarwa guda biyu ta hanyar da ta dace, tare da ingantaccen janareta wajen yin jabun karya kuma mai nuna bambanci ya inganta wajen gane su.
GANs suna da amfani da yawa, kama daga samar da ainihin hotuna na mutane ko dabbobi zuwa ƙirƙirar sabon kiɗa ko rubutu. Hakanan ana iya amfani da su don haɓaka bayanai, wanda ya haɗa da haɗa bayanan da aka samar tare da ainihin bayanan don gina babban saitin bayanai don horar da ƙirar injina.
9. Deep Q-Networks (DQNs)
Zurfafa Q-Networks (DQNs) wani nau'in yanke shawara ne na ƙarfafa koyo algorithm. Suna aiki ta hanyar koyan aikin Q-wanda ke hasashen ladan da ake tsammanin yin wani aiki a cikin wani yanayi.
Ana koyar da aikin Q ta gwaji da kuskure, tare da algorithm na ƙoƙarin ayyuka daban-daban da koyo daga sakamakon.
Yi la'akari da shi kamar a video game gwajin hali da ayyuka daban-daban da gano waɗanne ne ke kaiwa ga nasara! DQNs suna horar da aikin Q-ta amfani da hanyar sadarwa mai zurfi, suna sanya su kayan aiki masu inganci don ayyuka masu wahala.
Har ma sun yi galaba a kan zakarun dan Adam a wasanni irin su Go da dara, da kuma na’urar robobi da motoci masu tuka kansu. Don haka, gaba ɗaya, DQNs suna aiki ta hanyar koyo daga gogewa don haɓaka ƙwarewar yanke shawara akan lokaci.
10. Radial Basis Function Networks (RBFNs)
Radial Basis Function Networks (RBFNs) wani nau'i ne na hanyar sadarwa na jijiyoyi da ake amfani da su don ƙididdige ayyuka da yin ayyukan ƙira. Suna aiki ta hanyar canza bayanan shigarwa zuwa sararin samaniya mai girma ta amfani da tarin ayyukan tushen radial.
Fitowar hanyar sadarwa shine haɗin kai tsaye na ayyukan tushe, kuma kowane aikin tushen radial yana wakiltar wurin tsakiya a cikin sarari shigarwa.
RBFNs suna da tasiri musamman ga yanayi tare da rikitacciyar hulɗar shigarwa-fitarwa, kuma ana iya koya musu ta amfani da dabaru iri-iri, gami da kulawa da koyo mara kulawa. An yi amfani da su don wani abu daga hasashen kuɗi zuwa hoto da fahimtar magana zuwa binciken likita.
Yi la'akari da RBFNs azaman tsarin GPS wanda ke amfani da jerin wuraren anka don nemo hanyarsa ta hanyar ƙasa mai ƙalubale. Fitowar hanyar sadarwa shine haɗuwa da wuraren anka, waɗanda ke tsaye don ayyukan tushen radial.
Za mu iya bincika ta hanyar rikitattun bayanai kuma mu samar da ainihin tsinkaya game da yadda yanayin zai kasance ta hanyar amfani da RBFNs.
11. Multilayer Perceptrons (MLPs)
Wani nau'i na hanyar sadarwa na jijiyoyi da ake kira multilayer perceptron (MLP) ana amfani dashi don ayyukan ilmantarwa masu kulawa kamar rarrabawa da koma baya. Suna aiki ta hanyar tara layuka da yawa na nodes masu alaƙa, ko neurons, tare da kowane Layer yana canza bayanan mai shigowa ba bisa ƙa'ida ba.
A cikin MLP, kowane neuron yana samun shigarwa daga neurons a cikin layin da ke ƙasa kuma ya aika da sigina zuwa neurons a cikin Layer na sama. Kowace fitowar neuron an ƙaddara ta amfani da aikin kunnawa, wanda ke ba da rashin daidaituwa na hanyar sadarwa.
Suna da ikon koyan nagartaccen wakilci na bayanan shigarwa tunda suna iya samun ɓoyayyun yadudduka da yawa.
An yi amfani da MLPs zuwa ayyuka daban-daban, kamar nazarin jin daɗi, gano zamba, da kuma tantance murya da hoto. Ana iya kwatanta MLPs da gungun masu binciken da ke aiki tare don murkushe wani lamari mai wahala.
Tare, za su iya tattara bayanai tare da warware laifin duk da cewa kowannensu yana da wani yanki na musamman.
12. Hanyoyin Sadarwar Jijiya (CNNs)
Ana sarrafa hotuna da bidiyo ta hanyar amfani da hanyoyin sadarwa na jijiyoyi (CNNs), nau'in hanyar sadarwar jijiya. Suna aiki ta hanyar amfani da saitin tacewa, ko kernels, don fitar da mahimman halaye daga bayanan shigarwa.
Tace masu tacewa suna yawo akan hoton shigarwar, suna aiwatar da juyin juya hali don gina taswirar fasalin da ke ɗaukar mahimman abubuwan hoton.
Kamar yadda CNNs ke iya koyon wakilcin matsayi na halayen hoto, suna taimakawa musamman ga yanayin da ya shafi ɗimbin bayanan gani. Aikace-aikace da yawa sun yi amfani da su, kamar gano abu, rarraba hoto, da gano fuska.
Yi la'akari da CNNs a matsayin mai zane wanda ke amfani da goge goge da yawa don ƙirƙirar gwaninta. Kowane goga kernel ne, kuma mai zane na iya gina hadaddun, hoto na gaske ta hanyar haɗa kernels da yawa. Za mu iya fitar da muhimman halaye daga hotuna kuma mu yi amfani da su don yin hasashen ainihin abin da ke cikin hoton ta amfani da CNNs.
13. Deep Belief Networks (DBNs)
DBNs wani nau'i ne na hanyar sadarwa na jijiyoyi da ake amfani da su don ayyukan koyo marasa kulawa kamar rage girman girma da koyon fasali. Suna aiki ta hanyar tara yadudduka na Ƙuntataccen Injin Boltzmann (RBMs), waɗanda cibiyoyin sadarwa ne na jijiyoyi biyu waɗanda ke da ikon koyan sake fasalin bayanan shigarwa.
DBNs suna da fa'ida sosai ga batutuwan bayanai masu girma saboda suna iya koyan taƙaitaccen bayani mai inganci na shigarwar. An yi amfani da su don wani abu daga tantance murya zuwa rarraba hoto zuwa gano magunguna.
Misali, masu bincike sun yi amfani da DBN don ƙididdige alaƙar alaƙar masu neman magani ga mai karɓar isrogen. An horar da DBN akan tarin halayen sinadarai da alaƙar ɗaurewa, kuma ya sami damar yin hasashen dalla-dalla dalla-dalla na ƴan takarar novel magunguna.
Wannan yana nuna amfani da DBNs wajen haɓaka magunguna da sauran aikace-aikacen bayanai masu girma.
14. Autoencoders
Autoencoders cibiyoyin sadarwa ne na jijiya waɗanda ake amfani da su don ayyukan koyo marasa kulawa. An yi nufin su sake gina bayanan shigar da su, wanda ke nuna cewa za su koyi rufaffiyar bayanan cikin ƙaramin wakilci sannan su sake canza su cikin ainihin shigarwar.
Autoencoders suna da tasiri sosai don matse bayanai, kawar da surutu, da gano abubuwan da ba su da kyau. Hakanan za'a iya amfani da su don ilmantarwa ta musamman, inda ake ba da ƙaramin wakilcin autoencoder zuwa aikin ilmantarwa mai kulawa.
Yi la'akari da autoencoders don zama ɗalibai masu ɗaukar rubutu a cikin aji. Dalibin yana sauraron lacca kuma ya rubuta abubuwan da suka fi dacewa a takaice da inganci.
Daga baya, ɗalibin zai iya yin nazari kuma ya tuna da darasin ta yin amfani da bayanansu. Mai rikodin auto, a gefe guda, yana ɓoye bayanan shigarwa cikin ƙayyadaddun wakilci wanda daga baya za a iya amfani da shi don dalilai daban-daban kamar gano ɓarna ko matsawar bayanai.
15. Ƙuntataccen Injin Boltzmann (RBMs)
RBMs (Mashinan Ƙuntataccen Boltzmann) wani nau'i ne na hanyar sadarwa na jijiya wanda ake amfani da shi don ayyukan ilmantarwa mara kulawa. An yi su ne da abin da ake iya gani da kuma ɓoye mai ɓoye, tare da neurons a kowane Layer, an haɗa su amma ba a cikin Layer ɗaya ba.
Ana horar da RBMs ta amfani da wata dabara da aka sani da bambancin bambanci, wanda ya haɗa da canza ma'auni tsakanin yadudduka na bayyane da na ɓoye don haɓaka yuwuwar bayanan horo. RBMs na iya ƙirƙirar sabbin bayanai bayan an horar da su ta hanyar samfuri daga rarrabawar da aka koya.
Gane hoto da magana, tacewa na haɗin gwiwa, da gano ɓarna duk aikace-aikacen da suka yi amfani da RBMs. An kuma yi amfani da su a cikin tsarin shawarwari don ƙirƙirar shawarwarin da aka keɓance ta hanyar koyan tsarin daga halayen mai amfani.
Hakanan an yi amfani da RBMs wajen koyan fasalin don ƙirƙirar ƙaƙƙarfan wakilci mai inganci na bayanai masu girma.
Ƙarfafawa da Ci gaba masu Alƙawari akan Horizon
Hanyoyin ilmantarwa mai zurfi, irin su Convolutional Neural Networks (CNNs) da Recurrent Neural Networks (RNNs), suna daga cikin manyan hanyoyin basirar ɗan adam. CNNs sun canza hoto da fitarwar sauti, yayin da RNNs suka ci gaba sosai a cikin sarrafa harshe na halitta da nazarin bayanan jeri.
Mataki na gaba a cikin juyin halittar waɗannan hanyoyin yana yiwuwa ya mai da hankali kan inganta ingancinsu da haɓakarsu, ba su damar yin nazarin manyan bayanai masu girma da rikitarwa, da haɓaka fassararsu da ikon koyo daga bayanan da ba su da alama.
Zurfafa ilmantarwa yana da yuwuwar ba da damar ci gaba a fannoni kamar kiwon lafiya, kuɗi, da tsarin cin gashin kai yayin da yake ci gaba.
Leave a Reply