Ruo ọtụtụ afọ, mmụta miri emi na-eme ka isi akụkọ na teknụzụ. Ma, ọ dị mfe ịghọta ihe kpatara ya.
Ngalaba ọgụgụ isi a na-agbanwe ngalaba sitere na ahụike gaa na ụlọ akụ gaa na njem njem, na-eme ka ọganihu a na-atụghị anya ya na mbụ.
Ewubere mmụta dị omimi na usoro algọridim ọkaibe nke na-amụta iwepụta na ịkọ usoro mgbagwoju anya site na nnukwu data.
Anyị ga-eleba anya algọridim mmụta miri emi 15 kacha mma na post a, site na Convolutional Neural Networks gaa na Netwọk Adversarial Generative ruo na netwọk ebe nchekwa ogologo oge.
Ngosipụta a ga-enye nghọta dị mkpa maka ma ị bụ a onye mbido ma ọ bụ ọkachamara na mmụta miri emi.
1. Transformer netwọk
Netwọk ntụgharị agbanweela ọhụụ kọmputa na ngwa nhazi asụsụ eke (NLP). Ha na-enyocha data na-abata ma were usoro nlebara anya weghara mmekọrịta dị ogologo. Nke a na-eme ka ha dị ngwa karịa ụdị usoro usoro-na-usoro.
Ebu ụzọ kọwaa netwọk transformer na mbipụta "Ntị bụ ihe niile ị chọrọ" nke Vaswani et al.
Ha nwere ihe ngbanwe na ihe ngbanwe (2017). Ụdị ihe ngbanwe ahụ egosipụtala arụmọrụ na ngwa NLP dị iche iche, gụnyere echiche nyocha, nhazi ederede, na ntụgharị igwe.
Enwere ike iji ụdị dabere na ntụgharị n'ọhụụ kọmputa maka ngwa. Ha nwere ike ịrụ njiri mara ihe na ntinye onyonyo.
2. Netwọk ebe nchekwa ogologo oge (LSTMs)
Netwọk ebe nchekwa ogologo oge dị mkpụmkpụ (LSTMs) bụ ụdị neural network Ewubere ya ka ọ na-ejikwa ntinye usoro. A na-akpọ ha "ogologo oge dị mkpirikpi" n'ihi na ha nwere ike icheta ihe ọmụma site na ogologo oge gara aga ma na-echefu ozi na-adịghị mkpa.
Ndị LSTM na-arụ ọrụ site na ụfọdụ "ọnụ ụzọ" na-achịkwa mgbasa ozi n'ime netwọk. Dabere ma a na-ekpebi ozi ahụ dị mkpa ma ọ bụ na ọ bụghị, ọnụ ụzọ ámá ndị a nwere ike ịhapụ ya ma ọ bụ gbochie ya.
Usoro a na-enyere ndị LSTM aka icheta ma ọ bụ chefuo ozi site na usoro oge gara aga, nke dị oke mkpa maka ọrụ dịka njirimara okwu, nhazi asụsụ okike, na amụma usoro oge.
LSTM bara uru nke ukwuu n'ọnọdụ ọ bụla ị nwere data usoro nke a ga-enyocha ma ọ bụ buru amụma. A na-ejikarị ha eme ihe na ngwa njiri mara olu iji tọghata mkpụrụokwu ọnụ ka ọ bụrụ ederede, ma ọ bụ n'ime ngwaahịa ahịa nyocha iji buru amụma ọnụahịa n'ọdịnihu dabere na data gara aga.
3. Map na-ahazi onwe ya (SOM)
SOM bụ ụdị arụrụ arụ neural netwọk nke nwere ike ịmụta ma na-anọchite anya data gbagwojuru anya na gburugburu ebe dị ala. Usoro a na-arụ ọrụ site n'ịgbanwe data ntinye dị elu ka ọ bụrụ grid akụkụ abụọ, nke ọ bụla ma ọ bụ neuron na-anọchi anya akụkụ dị iche iche nke oghere ntinye.
A na-ejikọta neurons ọnụ ma mepụta usoro topological, na-enye ha ohere ịmụta ma gbanwee na data ntinye. Yabụ, SOM dabere na mmụta anaghị elekọta ya.
Algọridim adịghị mkpa akara data ịmụta ihe na. Kama, ọ na-eji njirimara ndekọ aha nke data ntinye iji chọpụta ụkpụrụ na njikọ dị n'etiti mgbanwe.
N'oge ọzụzụ ọzụzụ, neurons na-asọ mpi ka ọ bụrụ ihe ngosi kachasị mma nke data ntinye. Na, ha na-ahazi onwe ha ka ọ bụrụ usoro bara uru. SOM nwere ngwa dị iche iche, gụnyere onyonyo na njirimara okwu, ngwuputa data, na njirimara ụkpụrụ.
Ha bara uru maka na-ahụ anya dị mgbagwoju anya data, na-achịkọta isi data metụtara, na ịchọpụta ihe adịghị mma ma ọ bụ ihe ndị na-apụ apụ.
4. Mmụta nkwado miri emi
Deep Nkuzigharị bụ ụdị mmụta igwe nke a na-azụ onye nnọchi anya ime mkpebi dabere na usoro ụgwọ ọrụ. Ọ na-arụ ọrụ site n'ikwe ka onye ọrụ na-emekọrịta ihe na gburugburu ya wee mụta site na nnwale na njehie.
A na-akwụ onye ọrụ ahụ ụgwọ maka ihe ọ bụla ọ na-eme, na ebumnuche ya bụ ịmụta ka esi ebuli uru ya ka oge na-aga. Enwere ike iji nke a kuziere ndị ọrụ ka ha na-egwu egwuregwu, ịnya ụgbọ ala, na ọbụna jikwaa rọbọt.
Q-Learning bụ usoro mmụta mmụta dị omimi nke ama ama. Ọ na-arụ ọrụ site n'ịtụle uru nke ime ihe ụfọdụ na steeti ma na-emelite atụmatụ ahụ ka onye ọrụ na-emekọ ihe na gburugburu ebe obibi.
Onye nnọchi anya ahụ na-eji atụmatụ ndị a chọpụta ihe omume nwere ike ibute ụgwọ ọrụ kacha ukwuu. Eji Q-Learning kụziere ndị ọrụ ka ha gwuo egwuregwu Atari, yana iji kwalite ojiji ike na ebe data.
Deep Q-Networks bụ usoro mmụta mmụta dị omimi ọzọ ama ama (DQN). DQN yiri Q-Learning na ha na-atụle ụkpụrụ omume site na iji netwọk akwara miri emi karịa tebụl.
Nke a na-enyere ha aka ịnagide nnukwu ntọala siri ike yana ọtụtụ omume ọzọ. A na-eji DQN zụọ ndị ọrụ ka ha na-egwu egwuregwu dị ka Go na Dota 2, yana imepụta robots ndị nwere ike ịmụta ịga ije.
5. Netwọk Neural na-emegharị ugboro ugboro (RNNs)
RNN bụ ụdị netwọkụ akwara nke nwere ike hazie data usoro mgbe ị na-edobe ọnọdụ dị n'ime. Tụlee ya dị ka onye na-agụ akwụkwọ, ebe a na-agbari okwu nke ọ bụla n'ihe metụtara ndị bu ya ụzọ.
Ya mere RNN dị mma maka ọrụ dị ka njirimara okwu, ntụgharị asụsụ, na ọbụna ibu amụma okwu na-esote na nkebiokwu.
RNN na-arụ ọrụ site na iji loops nzaghachi jikọọ mmepụta nke oge ọ bụla laghachi azụ na ntinye nke nzọụkwụ ọzọ. Nke a na-enyere netwọk aka iji ozi nzọụkwụ oge tupu oge iji kọwaa amụma ya maka usoro oge n'ọdịnihu. N'ụzọ dị mwute, nke a pụtakwara na RNN adịghị mfe maka okwu gradient na-apụ n'anya, nke gradients eji maka ọzụzụ na-adị ntakịrị na netwọk na-agbasi mbọ ike ịmụta mmekọrịta ogologo oge.
N'agbanyeghị mmachi a pụtara ìhè, RNN achọpụtala ojiji n'ọtụtụ ngwa. Ngwa ndị a gụnyere nhazi asụsụ eke, nnabata okwu na ọbụna mmepụta egwu.
ntụgharị googleDịka ọmụmaatụ, na-eji sistemụ dabere na RNN iji tụgharịa asụsụ n'ofe asụsụ, ebe Siri, onye enyemaka mebere, na-eji sistemụ dabere na RNN iji chọpụta olu. A na-ejikwa RNN buru amụma ọnụ ahịa ngwaahịa ma mepụta ederede na eserese dị adị.
6. Netwọk Capsule
Netwọk Capsule bụ ụdị nhazi netwọkụ akwara ọhụrụ nke nwere ike ịchọpụta ụkpụrụ na njikọ dị na data nke ọma. Ha na-ahazi neuron ka ọ bụrụ “capsules” nke na-etinye akụkụ ụfọdụ nke ntinye.
N'ụzọ dị otú a, ha nwere ike ime amụma ziri ezi karị. Netwọk Capsule na-ewepụta ihe ndị gbagwojuru anya na-agbagwoju anya site na data ntinye site na iji ọtụtụ ọkwa capsules.
Usoro Netwọk Capsule na-enyere ha aka ịmụta nnochite anya nhazi ọkwa nke ntinye enyere. Ha nwere ike itinye koodu nke ọma na njikọ oghere n'etiti ihe dị n'ime foto site na ịkparịta ụka n'etiti capsules.
Nchọpụta ihe, nkewa foto, na nhazi asụsụ okike bụ ngwa niile nke Netwọk Capsule.
Netwọk Capsule nwere ike itinye ya n'ọrụ kwurula kwụ ọtọ teknụzụ. Ha na-enyere sistemụ ahụ aka ịmata na ịmata ọdịiche dị n'etiti ihe ndị dị ka ụgbọ ala, ndị mmadụ na akara okporo ụzọ. Usoro ndị a nwere ike ịzenarị nkukota site n'ime amụma ndị ọzọ gbasara omume ihe dị na gburugburu ha.
7. Ọdịiche Autoencoders (VAEs)
VAE bụ ụdị ngwa mmụta miri emi nke a na-eji maka mmụta na-enweghị nlekọta. Site na itinye koodu n'ime oghere dị obere wee dezie ya ka ọ bụrụ usoro izizi, ha nwere ike mụta ịhụ usoro na data.
Ha dị ka onye dibịa afa nke nwere ike ịgbanwe oke bekee ka ọ bụrụ okpu wee laghachi azụ azụ! VAE bara uru maka imepụta ihe onyonyo ma ọ bụ egwu dị adị. Na, enwere ike iji ha mepụta data ọhụrụ nke yiri data mbụ.
VAEs yiri codebreaker nzuzo. Ha nwere ike ịchọpụta ihe kpatara ya nhazi nke data site n'iwetu ya ka ọ bụrụ ibe n'ibe dị mfe, dịka otu esi agbajisị mgbagwoju anya. Ha nwere ike jiri ozi ahụ wuo data ọhụrụ dị ka nke mbụ mgbe ha dechara akụkụ ahụ.
Nke a nwere ike ịdị mma maka ịpịkọta nnukwu faịlụ ma ọ bụ mepụta eserese ma ọ bụ egwu dị ọhụrụ n'ụdị ụfọdụ. VAE nwekwara ike iwepụta ọdịnaya ọhụrụ, dị ka akụkọ akụkọ ma ọ bụ egwu egwu.
8. Generative Adversarial Networks (GANs)
GAN (Generative Adversarial Networks) bụ ụdị usoro mmụta miri emi nke na-ewepụta data ọhụrụ nke yiri nke mbụ. Ha na-arụ ọrụ site n'ịzụ netwọk abụọ: generator na netwọk ịkpa ókè.
Igwe ọkụ na-emepụta data ọhụrụ nke yiri nke mbụ.
Na, onye ịkpa ókè na-anwa ịmata ọdịiche dị n'etiti data mbụ na nke emepụtara. A zụrụ netwọk abụọ ahụ na tandem, ya na onye na-emepụta ihe na-agbalị ịghọgbu onye ịkpa ókè na onye na-akpa ókè na-agbalị ịchọta data mbụ ahụ nke ọma.
Tụlee GAN ka ọ bụrụ obe n'etiti onye na-eme nchọpụta na onye nyocha. Igwe ọkụ na-arụ ọrụ n'otu aka ahụ ka onye na-agbapụta ihe, na-emepụta ihe osise ọhụrụ nke yiri nke mbụ.
Onye ịkpa oke ahụ na-arụ ọrụ dị ka onye nyocha, na-anwa ịmata ọdịiche dị n'etiti ezigbo ihe osise na ụgha. A zụrụ netwọk abụọ a na tandem, na-emepụta ihe na-emepụta ọkụ na-eme ka ọ dịkwuo mma n'ịmepụta adịgboroja dị mma na onye ịkpa ókè na-emewanyewanye n'ịghọta ha.
Ndị GAN nwere ọtụtụ ojiji, sitere na imepụta foto mmadụ ma ọ bụ anụmanụ ruo n'ịmepụta egwu ọhụrụ ma ọ bụ ide ihe. Enwere ike iji ha maka mmụba data, nke gụnyere ijikọta data emepụtara na ezigbo data iji wuo nnukwu dataset maka ịzụ ụdị mmụta igwe.
9. Deep Q-Networks (DQNs)
Netwọk Q-Mmiri miri emi (DQNs) bụ ụdị nkwado mmụta algọridim na-eme mkpebi. Ha na-arụ ọrụ site n'ịmụ ọrụ Q nke na-ebu amụma ụgwọ ọrụ a na-atụ anya ya maka ime otu ihe n'otu ọnọdụ.
A na-akụzi ọrụ Q site na nnwale na njehie, yana algọridim na-anwale omume dị iche iche na mmụta site na nsonaazụ ya.
Tụlee ya dị ka a egwuregwu vidio agwa na-anwale omume dị iche iche yana ịchọpụta nke na-eduga na ihe ịga nke ọma! Ndị DQN na-azụ ọrụ Q na-eji netwọk akwara miri emi, na-eme ka ha bụrụ ngwaọrụ dị irè maka ọrụ ime mkpebi siri ike.
Ha emeriela ndị mmeri mmadụ n'egwuregwu ndị dị ka Go na chess, yana n'ime igwe rọbọt na ụgbọ ala na-anya onwe ya. Yabụ, na mkpokọta, ndị DQN na-arụ ọrụ site n'ịmụta site na ahụmịhe iji kwalite nka ime mkpebi ha ka oge na-aga.
10. Radial Basis Function Networks (RBFNs)
Radial Basis Function Networks (RBFNs) bụ ụdị netwọkụ akwara ozi a na-eji na-arụ ọrụ dị ka ọrụ yana ịrụ ọrụ nhazi. Ha na-arụ ọrụ site n'ịgbanwe data ntinye n'ime oghere dị elu site na iji nchịkọta ọrụ ntọala radial.
Ihe mmepụta nke netwọk bụ nchikota ahịrị nke ọrụ ntọala, na ọrụ ntọala radial ọ bụla na-anọchi anya ebe etiti na oghere ntinye.
Ndị RBFN dị irè karịsịa maka ọnọdụ ndị nwere mmekọ ihe ntinye-mgbagwoju anya, na enwere ike kụziere ha site na iji usoro dị iche iche, gụnyere mmụta na-elekọta na nke anaghị elekọta ya. A na-eji ha eme ihe ọ bụla site na amụma ego ruo na foto na njirimara okwu ruo na nchọpụta ahụike.
Tụlee RBFN dị ka usoro GPS nke na-eji usoro arịlịka iji chọta ụzọ ya gafere ala siri ike. Ihe mmepụta nke netwọk bụ nchikota nke ihe arịlịka, nke na-eguzo maka ọrụ ntọala radial.
Anyị nwere ike ịchọgharị site na ozi gbagwojuru anya wee wepụta amụma ziri ezi gbasara ka ọnọdụ ga-esi pụta site n'iji RBFN were.
11. Multilayer Perceptrons (MLPs)
A na-eji ụdị netwọkụ na-ahụkarị nke a na-akpọ multilayer perceptron (MLP) maka ọrụ mmụta a na-elekọta dị ka nhazi ọkwa na nlọghachi azụ. Ha na-arụ ọrụ site n'ịkọba ọtụtụ oghere nke ọnụ ọnụ, ma ọ bụ neurons, na oyi akwa nke ọ bụla na-agbanwe data na-abata na-enweghị usoro.
Na MLP, neuron nke ọ bụla na-enweta ntinye site na neurons dị na oyi akwa dị n'okpuru ma na-eziga akara na neurons na oyi akwa dị n'elu. A na-ekpebi mmepụta neuron ọ bụla site na iji ọrụ ịgbalite, nke na-enye netwọkụ adịghị adị.
Ha nwere ike ịmụta ọkaibe nke data ntinye ebe ọ bụ na ha nwere ike ịnwe ọtụtụ ọkwa zoro ezo.
E tinyela MLP n'ọrụ dị iche iche, dị ka nyocha mmetụta, nchọpụta aghụghọ, na njirimara olu na foto. Enwere ike iji MLP tụnyere otu ndị nyocha na-arụkọ ọrụ ọnụ iji mebie okwu siri ike.
Ọnụ, ha nwere ike ikpokọta eziokwu ma dozie mpụ ahụ n'agbanyeghị na onye ọ bụla nwere mpaghara ọpụrụiche.
12. Convolutional Neural Networks (CNNs)
A na-ahazi onyonyo na vidiyo site na iji netwọkụ akwara convolutional (CNNs), ụdị netwọkụ akwara. Ha na-arụ ọrụ site n'iji usoro nzacha nwere ike ịmụta, ma ọ bụ kernel, wepụta njirimara dị mkpa na data ntinye.
Ihe nzacha ndị ahụ na-efegharị n'elu foto ntinye, na-eme mgbanwe iji wuo maapụ atụmatụ na-ejide akụkụ dị mkpa nke onyonyo a.
Ka CNN na-enwe ike ịmụta ihe nnochite anya n'usoro nke njirimara foto, ha na-enye aka karịsịa maka ọnọdụ ndị metụtara oke data a na-ahụ anya. Ọtụtụ ngwa ejirila ha, dị ka nchọpụta ihe, nhazi foto, na nchọpụta ihu.
Tụlee CNN dị ka onye na-ese ihe na-eji ọtụtụ brushes mepụta ọmarịcha ihe osise. Ahịhịa nke ọ bụla bụ kernel, onye na-ese ihe nwekwara ike wulite onyonyo dị mgbagwoju anya, nke nwere ezi uche site n'ịgwakọta ọtụtụ mkpụrụ. Anyị nwere ike wepụta njirimara dị mkpa na foto wee jiri ha buru amụma nke ọma ọdịnaya nke onyonyo a site na iji CNN.
13. Netwọk Nkwenye miri emi (DBNs)
DBN bụ ụdị netwọkụ akwara ozi nke a na-eji maka ọrụ mmụta anaghị elekọta ya dị ka mbelata oke na mmụta atụmatụ. Ha na-arụ ọrụ site n'ịkwakọba ọtụtụ igwe mgbochi Boltzmann (RBM), nke bụ netwọkụ akwara abụọ nwere ike ịmụta ịmaliteghachi data ntinye.
DBNs bara ezigbo uru maka ihe gbasara data dị elu n'ihi na ha nwere ike mụta nnochite anya ntinye na nke ọma. Ejila ha ihe ọ bụla site na njirimara olu ruo na nhazi foto ruo na nchọpụta ọgwụ.
Dịka ọmụmaatụ, ndị nchọpụta jiri DBN mee atụmatụ njikọ njikọ nke ndị na-achọ ọgwụ na onye na-anabata estrogen. A zụrụ DBN na mkpokọta njirimara kemịkalụ na njikọ njikọ, ma nwee ike ịkọ nke ọma njikọ njikọ nke ndị na-achọ ọgwụ ọhụrụ.
Nke a na-akọwapụta ojiji nke DBN na mmepe ọgwụ na ngwa data ndị ọzọ dị elu.
14. Autoencoders
Autoencoders bụ netwọkụ akwara nke ejiri maka ọrụ mmụta anaghị elekọta ya. E bu n'obi ka ha rụgharịa data ntinye, nke na-egosi na ha ga-amụta idenye ozi ahụ ka ọ bụrụ kọmpat, wee degharịa ya na ntinye mbụ.
Autoencoders na-arụ ọrụ nke ọma maka mkpakọ data, iwepụ mkpọtụ, na nchọpụta anomaly. Enwere ike iji ha maka mmụta atụmatụ, ebe a na-enye ihe nnochite anya autoencoder n'ime ọrụ mmụta a na-elekọta.
Tụlee autoencoders ka ọ bụrụ ụmụ akwụkwọ na-edetu ihe na klaasị. Nwa akwụkwọ a na-ege ntị na nkuzi ahụ wee detuo isi ihe kachasị mkpa n'ụzọ dị nkenke na nke ọma.
Mgbe e mesịrị, nwa akwụkwọ ahụ nwere ike iji ihe ndetu ha mụọ ihe ma cheta ihe ọmụmụ ahụ. N'aka nke ọzọ, ihe mkpuchi autoencoder na-edobe data ntinye ka ọ bụrụ kọmpat nke nwere ike mechaa were rụọ ọrụ maka ebumnuche dị iche iche dị ka nchọpụta anomaly ma ọ bụ mkpakọ data.
15. Igwe Boltzmann amachibidoro (RBM)
RBM (igwe Boltzmann amachibidoro) bụ ụdị netwọkụ akwara na-emepụta nke a na-eji maka ọrụ mmụta anaghị elekọta ya. Ha bụ oyi akwa a na-ahụ anya na oyi akwa zoro ezo, na neurons na oyi akwa ọ bụla, jikọtara ma ọ bụghị n'ime otu oyi akwa ahụ.
A zụrụ RBM site na iji usoro a maara dị ka ọdịiche dị iche, nke gụnyere ịgbanwe nha n'etiti ọkwa a na-ahụ anya na nke zoro ezo iji kwalite ohere nke data ọzụzụ. Ndị RBM nwere ike ịmepụta data ọhụrụ ka a zụrụ ya site na nlele site na nkesa mmụta.
Ngosipụta onyonyo na okwu, nzacha ọnụ, na nchọpụta adịghị mma bụ ngwa niile ejirila RBM rụọ ọrụ. Ejikwa ha mee ihe na sistemu ndụmọdụ iji mepụta ndụmọdụ ahaziri iche site na mmụta usoro site na omume onye ọrụ.
A na-ejikwa RBM mee ihe n'ịmụ ihe iji mepụta kọmpat na nke ọma nnochite anya nke data dị elu.
Mkpokọta na mmepe na-ekwe nkwa na Horizon
Ụzọ mmụta miri emi, dị ka Convolutional Neural Networks (CNNs) na Recurrent Neural Networks (RNNs), bụ otu n'ime ụzọ ọgụgụ isi kachasị elu. CNN agbanweela foto na njirimara ọdịyo, ebe RNN emeela nke ọma na nhazi asụsụ eke yana nyocha data usoro.
Nzọụkwụ na-esote na evolushọn nke ụzọ ndị a nwere ike ilekwasị anya n'ịkwalite arụmọrụ ha na scalability, na-enye ha ohere nyochaa datasets buru ibu ma dị mgbagwoju anya, yana ịkwalite nkọwa ha na ikike ịmụta ihe site na obere akara data.
Mmụta miri emi nwere ike ikwe ka ọganihu na ngalaba dịka ahụike, ego na sistemu kwụụrụ onwe ya ka ọ na-aga n'ihu.
Nkume a-aza