Table of Contents[Veşartin][Rêdan]
Pêşeroj li vir e. Û, di vê pêşerojê de makîneyên dinyaya li dora xwe bi heman awayê ku mirov fam dikin. Komputer dikarin otomobîlan ajotin, nexweşiyan teşhîs bikin, û pêşerojê pêşbîn bikin.
Dibe ku ev wekî çîroka zanistî xuya bike, lê modelên fêrbûna kûr wê rastiyê dikin.
Van algorîtmayên sofîstîke nehêniyên xwe eşkere dikin çêkirî, dihêle ku komputer bixwe fêr bibin û pêşve bibin. Di vê postê de, em ê di warê modelên fêrbûna kûr de bigerin.
Û, em ê potansiyela mezin a wan ji bo şoreşa jiyana me vekolin. Amade bibin ku li ser teknolojiya pêşkeftî ya ku pêşeroja mirovahiyê diguhezîne fêr bibin.
Bi rastî Modelên Hînbûna Kûr çi ne?
Ma we qet lîstikek lîstiye ku tê de pêdivî ye ku hûn cûdahiyên di navbera du wêneyan de nas bikin?
Lêbelê ew kêfxweş e, ew di heman demê de dikare dijwar be, rast? Bifikirin ku hûn dikarin komputerek hîn bikin ku wê lîstikê bilîze û her carê serbikeve. Modelên fêrbûna kûr tenê wiya pêk tînin!
Modelên fêrbûna kûr dişibin makîneyên super-aqilmend ên ku dikarin hejmareke mezin wêneyan lêkolîn bikin û diyar bikin ka çi hevpariya wan heye. Ew vê yekê bi jihevxistina wêneyan û xwendina her yekê bi ferdî pêk tînin.
Dûv re ew tiştê ku fêr bûne bicîh dikin da ku nimûneyan nas bikin û pêşbîniyên li ser wêneyên nû yên ku wan berê nedîtine bikin.
Modelên fêrbûna kûr torgilokên neuralî yên çêkirî ne ku dikarin nimûne û taybetmendiyên tevlihev ji danehevên girseyî fêr bibin û derxînin. Van modelan ji çend qatên girêkên girêdayî, an jî noyronan pêk tên, ku daneyên hatinê analîz dikin û diguhezînin da ku encamek çêbikin.
Modelên fêrbûna kûr bi taybetî ji bo karên ku bi rastbûn û rastbûnek mezin hewce ne, wekî nasnameya wêneyê, naskirina axaftinê, pêvajokirina zimanê xwezayî, û robotîk xweş in.
Ew di her tiştî de hatine bikar anîn, ji otomobîlên xwe-ajotinê bigire heya tespîtkirina bijîjkî, pergalên pêşniyarkirinê, û analytics analytics.
Li vir guhertoyek sadekirî ya dîtbariyê heye ku herikîna daneyê di modelek fêrbûna kûr de destnîşan bike.
Daneyên têketinê di qata têketina modelê de diherike, ku piştre daneyê di nav çend qatên veşartî re derbas dike berî ku pêşbîniyek encam peyda bike.
Her qatek veşartî rêzek operasyonên matematîkî li ser daneya têketinê pêk tîne berî ku ew derbasî qata din bibe, ku pêşbîniya paşîn peyda dike.
Naha, werin em bibînin ka modelên fêrbûna kûr çi ne û em çawa dikarin wan di jiyana xwe de bikar bînin.
1. Torên Neuralî yên Hevbeş (CNN)
CNN modelek fêrbûna kûr e ku qada dîtina komputerê veguherandiye. CNN ji bo dabeşkirina wêneyan, naskirina tiştan û perçekirina wêneyan têne bikar anîn. Avahî û fonksiyona korteksa dîtbar a mirovan sêwirana CNN-ê agahdar kir.
Doawa Ew Kar dikin?
CNN ji çend qatên hevgirtî, qatên hevgirtî, û qatên bi tevahî girêdayî pêk tê. Input wêneyek e, û derketin pêşbîniyek etîketa pola wêneyê ye.
Tebeqeyên hevgirtî yên CNN-ê bi pêkanîna hilberek xalî di navbera wêneya têketinê û komek fîlteran de nexşeyek taybetmendiyê ava dikin. Qatên hevgirtinê bi daxistina wê mezinahiya nexşeya taybetmendiyê kêm dikin.
Di dawiyê de, nexşeya taybetmendiyê ji hêla qatên bi tevahî ve girêdayî ve tê bikar anîn da ku nîşana çîna wêneyê pêşbîn bike.
Çima CNN Girîng in?
CNN bingehîn in ji ber ku ew dikarin fêr bibin ku di wêneyan de qalib û taybetmendiyên ku mirov bi wan re zehmet dibînin tespît bikin. CNN dikare were fêr kirin ku bi karanîna danûstendinên mezin ve taybetmendiyên wekî qerax, quncik û nîgaran nas bike. Piştî fêrbûna van taybetmendiyan, CNN dikare wan bikar bîne da ku tiştên di wêneyên nû de nas bike. CNN li ser cûrbecûr serîlêdanên nasnameya wêneyê performansa pêşkeftî nîşan daye.
Em CNN-ê li ku bikar tînin
Tenduristî, pîşesaziya otomobîlê, û firotanê tenê çend sektor in ku CNN-ê bikar tînin. Di pîşesaziya lênihêrîna tenduristiyê de, ew dikarin ji bo tespîtkirina nexweşiyê, pêşkeftina derman, û analîzkirina wêneya bijîjkî bikêr bin.
Di sektora otomobîlan de, ew di tespîtkirina rê de dibin alîkar, tespîtkirina objektê, û ajotina xweser. Di heman demê de ew ji bo lêgerîna dîtbar, pêşniyara hilberê-based wêne, û kontrolkirina envanterê di firotanê de pir têne bikar anîn.
Bo nimûne; Google di cûrbecûr sepanan de CNN-ê dixebitîne, di nav de Lensa Google, amûrek nasîna wêneyê ya ku xweş tê hez kirin. Bername ji bo nirxandina wêneyan û agahdariya bikarhêneran CNN bikar tîne.
Mînakî, Google Lens dikare tiştan di wêneyekê de nas bike û hûrguliyên li ser wan pêşkêşî bike, wek celebê kulîlkê.
Her weha dibe ku ew nivîsa ku ji wêneyek hatî derxistin wergerîne çend zimanan. Google Lens ji ber arîkariya CNN-ê di tespîtkirina rast de û derxistina taybetmendiyên ji wêneyan de dikare agahdariya kêrhatî bide xerîdaran.
2. Torên Bîra Kurt-Term (LSTM).
Tora Bîra Kurt-Term (LSTM) ji bo çareserkirina kêmasiyên torên neuralî yên birêkûpêk (RNN) têne afirandin. Tora LSTM îdeal in ji bo peywirên ku daxwaz dikin ku rêzikên daneyê di nav demê de werin hilanîn.
Ew bi karanîna şaneyek bîranînek taybetî û sê mekanîzmayên dergehê kar dikin.
Ew herikîna agahiyê di nav hucreyê de û ji derveyî wê birêkûpêk dikin. Deriyê têketinê, deriyê jibîrkirinê û deriyê derketinê sê dergeh in.
Deriyê têketinê herikîna daneyan di şaneya bîranînê de, deriyê jibîrkirinê jêbirina daneyan ji şaneyê, û deriyê derketinê herikîna daneyan ji şaneyê birêkûpê dike.
Girîngiya wan çi ye?
Tora LSTM bikêr in ji ber ku ew dikarin bi têkiliyên dirêj-dirêj rêzikên daneyê bi serfirazî temsîl bikin û pêşbîn bikin. Ew dikarin di derheqê têketinên berê de agahdariya tomar bikin û bihêlin, bihêle ku ew di derheqê têketinên pêşerojê de pêşbîniyên rasttir bikin.
Naskirina axaftinê, naskirina destnivîsê, pêvajokirina zimanê xwezayî, û sernavkirina wêneyê tenê çend ji serîlêdanên ku torên LSTM bikar anîne ne.
Li ku derê Em Tora LSTM bikar tînin?
Gelek nermalava û sepanên teknolojiyê torên LSTM, di nav de pergalên naskirina axaftinê, amûrên hilberandina zimanên xwezayî yên mîna analîzê, pergalên wergera makîneyê, û pergalên hilberîna nivîs û wêneyê.
Di heman demê de ew di afirandina otomobîl û robotên xwe-ajotinê de, û hem jî di pîşesaziya darayî de hatine bikar anîn da ku sextekarîyê kifş bikin û pêşbîn bikin. borse tevgeran.
3. Torên Dijberê Generative (GAN)
GAN in a hînbûna kûr teknîka ku ji bo afirandina nimûneyên daneya nû yên ku dişibin danehevek diyarkirî de tê bikar anîn. GAN ji du kesan pêk tê torên neuralî: ya ku fêrî hilberandina nimûneyên nû dibe û yê ku fêrî ferqkirina nimûneyên resen û yên çêkirî dibe.
Di nêzîkatiyek wusa de, ev her du tora bi hev re têne perwerde kirin heya ku jenerator bikaribe nimûneyên ku ji yên rastîn nayên cûda kirin çêbike.
Çima Em GAN bikar tînin
GAN ji ber kapasîteya wan a hilberîna kalîteya bilind girîng in daneyên sentetîk ku dibe ku ji bo cûrbecûr sepanan were bikar anîn, di nav de hilberîna wêne û vîdyoyê, hilberîna nivîsê, û tewra jî hilberîna muzîkê.
GAN di heman demê de ji bo zêdekirina daneyê jî hatine bikar anîn, ku ev nifş e daneyên sentetîk da ku daneyên cîhana rastîn temam bikin û performansa modelên fêrbûna makîneyê baştir bikin.
Wekî din, bi afirandina daneyên sentetîk ên ku dikarin ji bo perwerdekirina modelan û teqlîdkirina ceribandinan werin bikar anîn, GAN xwedî potansiyel e ku sektorên wekî derman û pêşkeftina dermanan veguherîne.
Serîlêdanên GAN-ê
GAN dikarin danûstendinan temam bikin, wêne an fîlimên nû biafirînin, û tewra ji bo simulasyonên zanistî daneyên sentetîk jî biafirînin. Digel vê yekê, GAN xwedî potansiyela ku di cûrbecûr serlêdanan de ji şahiyê bigire heya bijîjkî têne xebitandin.
temen û vîdyoyan. Mînakî, NVIDIA's StyleGAN2, ji bo afirandina wêneyên bi kalîte yên navdar û karên hunerî hatî bikar anîn.
4. Torên Baweriya Kûr (DBN)
Tora Baweriya Kûr (DBN) in çêkirî pergalên ku dikarin fêr bibin ku nimûneyên di daneyan de bibînin. Ew vê yekê bi dabeşkirina daneyan li perçeyên piçûktir û piçûktir pêk tînin, di her astê de têgihîştina wê ya berbiçavtir digirin.
DBN dikarin ji daneyan fêr bibin bêyî ku ew çi ye agahdar bibin (ev wekî "hînbûna bêserûber" tê binav kirin). Ev yek wan ji bo tespîtkirina qalibên di daneyan de ku meriv dê dijwar an nemumkun bibîne ku wan nas bike pir bi qîmet dike.
Çi DBN-ê Girîng dike?
DBN ji ber kapasîteya wan a fêrbûna nûnertiya daneyên hiyerarşîk girîng in. Van nûneran dikarin ji bo cûrbecûr serîlêdanan wekî dabeşkirin, tespîtkirina anomalî, û kêmkirina pîvanê werin bikar anîn.
Kapasîteya DBN-an a ku pêşî-perwerdeya bê çavdêrî li dar dixe, ku dikare performansa modelên fêrbûna kûr bi daneyên herî kêm nîşankirî zêde bike, feydeyek girîng e.
Serlêdanên DBN çi ne?
Yek ji serîlêdanên herî girîng e tespîtkirina objektê, ku tê de DBN têne bikar anîn da ku hin celeb tiştan wekî balafir, çûk û mirovan nas bikin. Di heman demê de ew ji bo hilberandin û dabeşkirina wêneyê, vedîtina tevgerê di fîliman de, û têgihîştina zimanê xwezayî ji bo hilanîna deng têne bikar anîn.
Digel vê yekê, DBN bi gelemperî di daneyên danûstendinê de têne bikar anîn da ku helwestên mirovan binirxînin. DBN ji bo cûrbecûr pîşesaziyan, di nav de lênihêrîna tenduristî û banking, û teknolojî, amûrek girîng e.
5. Torên Fêrbûna Hêzkirina Kûr (DRL)
Kûr Fêrbûna Hêzkirinê Tora (DRL) torgilokên neuralî yên kûr bi teknîkên fêrbûna xurtkirinê re yek dikin da ku rê bidin ajanan ku di hawîrdorek tevlihev de bi ceribandin û xeletiyê fêr bibin.
DRL têne bikar anîn da ku nûneran fêr bikin ka meriv çawa bi têkiliya bi derdora xwe re û fêrbûna ji xeletiyên xwe ve nîşanek xelatê xweşbîn bike.
Çi Dike Wan Balkêş?
Ew di cûrbecûr sepanan de, di nav de lîstik, robotîk, û ajotina xweser de, bi bandor hatine bikar anîn. DRL girîng in ji ber ku ew dikarin rasterast ji têketina hestiyar a xav fêr bibin, rê didin ajanan ku li ser bingeha danûstendinên xwe yên bi jîngehê re biryar bidin.
Serlêdanên Girîng
DRL di rewşên cîhana rastîn de têne xebitandin ji ber ku ew dikarin pirsgirêkên dijwar bi rê ve bibin.
DRL di gelek nermalava û platformên teknolojiyê yên navdar de, di nav de OpenAI's Gym, hatine bicîh kirin, ML-Agentên Yekîtiyê, û DeepMind Lab ya Google. AlphaGo, ji hêla Google ve hatî çêkirin DeepmindMînakî, DRL-ê dixebitîne ku lîstika panelê Go di astek şampiyoniya cîhanê de bilîze.
Bikaranîna din a DRL-ê di robotîkê de ye, ku ew ji bo kontrolkirina tevgerên destên robotîk tê bikar anîn da ku karên wekî girtina tiştan an berhevkirina blokan pêk bîne. DRL gelek karanîn hene û ji bo amûrek kêrhatî ne ajanên perwerdeyê hîn bibin û di mîhengên tevlihev de biryaran bidin.
6. Autoencoders
Autoencoder celebek balkêş e torê neural ku hem eleqeya zanyar û hem jî zanyarên daneyê kişandiye ser xwe. Ew bi bingehîn hatine sêwirandin da ku fêr bibin ka meriv çawa daneyan berhev dike û sererast dike.
Daneyên têketinê di nav rêzek qatan de têne xwarin ku hêdî hêdî pîvana daneyê kêm dike heya ku ew di qatek şûşê de ku ji qatên ketin û derketinê kêmtir girêk lê ne tê pelçiqandin.
Dûv re ev nûneriya pêçandî tê bikar anîn da ku daneya têketina orîjînal ji nû ve biafirîne bi karanîna rêzek qatan ku hêdî hêdî mezinahiya daneyê vedigere şiklê wê yê orjînal.
Çima Girîng e?
Otoenkoder hêmanek girîng in hînbûna kûr ji ber ku ew derxistina taybetmendiyê û kêmkirina daneyê mimkun dikin.
Ew dikarin hêmanên sereke yên daneya gihîştî nas bikin û wan wergerînin formek berhevkirî ku wê hingê dibe ku li karên din ên wekî dabeşkirin, komkirin, an afirandina daneyên nû werin sepandin.
Em li ku derê Autoencoder bikar tînin?
Tespîtkirina anomalî, pêvajokirina zimanê xwezayî, û vîzyona computer tenê çend ji dîsîplînên ku otoencoder têne bikar anîn hene. Mînakî, otoenkoder dikarin ji bo berhevkirina wêneyê, jêbirina wêneyê, û senteza wêneyê di dîtina komputerê de werin bikar anîn.
Em dikarin Autoencoders di karên mîna çêkirina nivîsê, kategorîzekirina nivîsê, û kurtenivîsandina nivîsê de di pêvajoya zimanê xwezayî de bikar bînin. Ew dikare çalakiya anormal di daneyên ku di nasnameya anomalî de ji normê vediqetîne nas bike.
7. Networks Capsule
Torgilokên Kapsulê mîmariyek nû ya fêrbûna kûr e ku wekî şûna Tora Neuralî ya Convolutional (CNN) hate pêşve xistin.
Tora Kapsulan li ser bingeha têgîna komkirina yekîneyên mêjî yên bi navê kapsulan pêk tê ku berpirsiyar in ku hebûna hin tiştan di wêneyekê de nas bikin û taybetmendiyên wê, wek rêgez û pozîsyon, di vektorên derketinê de şîfre bikin. Ji ber vê yekê Torên Kapsulê dikarin ji CNN-an çêtir danûstandinên mekan û guheztinên perspektîfê birêve bibin.
Çima Em Tora Kapsulê li ser CNN-ê Hilbijartin?
Torên Kapsulê bikêr in ji ber ku ew di girtina têkiliyên hiyerarşîk ên di navbera hêmanên di wêneyekê de dijwariyên CNN-ê derbas dikin. CNN dikarin tiştên bi mezinahiyên cihêreng nas bikin lê têdikoşin ku fêm bikin ka van tiştan çawa bi hevûdu ve girêdidin.
Ji hêla din ve, Tora Kapsulê dikare fêr bibe ku tiştan û perçeyên wan nas bike, û hem jî ew çawa bi cîh di wêneyek de têne danîn, û wan dike berendamek guncan ji bo sepanên dîtina komputerê.
Herêmên Serlêdan
Tora Kapsulê jixwe di cûrbecûr serlêdanan de, di nav de dabeşkirina wêneyê, nasîna tiştan, û dabeşkirina wêneyê, encamên sozdar nîşan dane.
Ew ji bo cûdakirina tiştan di wêneyên bijîjkî de, naskirina mirovan di fîliman de, û tewra ji wêneyên 3D modelên 2D-yê jî têne afirandin.
Ji bo ku performansa xwe zêde bikin, Tora Kapsulê bi mîmariyên fêrbûna kûr ên din ên wekî Tora Dijbera Generative (GAN) û Veguhezbarên Xweseriya Guherbar (VAE) re hatine hev kirin. Tê pêşbînîkirin ku Tora Kapsulê ji ber ku zanista fêrbûna kûr pêşve diçe di zêdekirina teknolojiyên dîtina komputerê de rolek girîng a girîng bilîze.
Bo nimûne; Nibabel Amûrek Python-ê ya naskirî ye ku ji bo xwendin û nivîsandina celebên pelên neuroimaging. Ji bo dabeşkirina wêneyê, ew Torên Kapsulê bikar tîne.
8. Modelên baldarî-based
Modelên fêrbûna kûr ku wekî modelên bingehîn-balkêş têne zanîn, ku wekî mekanîzmayên baldariyê jî têne zanîn, hewl didin ku rastbûna modelên fêrbûna makîneyê. Van modelan bi hûrbûna li ser hin taybetmendiyên daneyên gihîştî dixebitin, û di encamê de pêvajoyek bikêrtir û bibandor dibe.
Di karên pêvajokirina zimanê xwezayî de yên wekî wergera makîneyê û analîza hestê, rêbazên baldariyê pir serketî nîşan dane.
Girîngiya Wan Çi ye?
Modelên bingehîn ên baldarî bikêr in ji ber ku ew pêvajoyek bi bandortir û bikêrhatî ya daneyên tevlihev dihêlin.
Torên neuralî yên kevneşopî hemî daneyên têketinê wekî wekhev girîng binirxînin, di encamê de pêvajoyek hêdîtir û kêmbûna rastbûnê. Pêvajoyên baldariyê li ser aliyên girîng ên daneyên têketinê disekine, ku rê dide pêşbîniyên bilez û rasttir.
Herêmên Bikaranîna
Di warê îstîxbarata sûnî de, mekanîzmayên balê xwedan cûrbecûr sepanan in, di nav de pêvajoya zimanê xwezayî, naskirina wêne û deng, û tewra wesayîtên bê ajokar.
Mînakî, rêbazên baldariyê dikarin ji bo baştirkirina wergera makîneyê di pêvajoya zimanê xwezayî de bi rê ve bibin ku pergalê li ser hin peyvan an biwêjên ku ji çarçoweyê re bingehîn in bisekine.
Rêbazên baldariyê di otomobîlên xweser de dikarin werin bikar anîn da ku pergalê di balkişandina li ser hin tiştan an pirsgirêkên li derdora xwe de bibin alîkar.
9. Torên Transformer
Torên veguherîner modelên fêrbûna kûr in ku rêzikên daneyê lêkolîn û hilberînin. Ew bi hilberandina rêzika têketinê yek bi yek hêmanek kar dikin û rêzek derketinê ya heman an dirêjahiya cûda hilberînin.
Torên veguherîner, berevajî modelên rêzik-bi-rêkûpêk ên standard, rêzikên bi karanîna torên neuralî yên dûbare (RNN) napejirînin. Di şûna wê de, ew pêvajoyên xwe-baldariyê bikar tînin da ku têkiliyên di navbera perçeyên rêzikê de fêr bibin.
Girîngiya Torên Transformer Çi ye?
Tora veguherîner di van salên dawî de ji ber performansa wan a çêtir di karên hilberandina zimanê xwezayî de populerbûna wan zêde bûye.
Ew bi taybetî ji bo karên afirandina nivîsê yên wekî wergera ziman, kurtkirina nivîsê, û hilberîna danûstendinê xweş in.
Tora veguherîner ji modelên bingeha RNN-ê ji hêla hesabkirinê ve pir bikêrtir in, ku wan ji bo serîlêdanên mezin bijarteyek bijarte dike.
Hûn dikarin Tora Transformer li ku bibînin?
Tora veguherîner bi berfirehî di cûrbecûr serlêdanan de têne bikar anîn, bi taybetî jî pêvajoyek zimanê xwezayî.
Rêzeya GPT (Generative Pre-Trained Transformer) modelek bingehîn-transformer e ku ji bo karên wekî wergera ziman, kurtkirina nivîsê, û hilberîna chatbotê hatî bikar anîn.
BERT (Nûnerên Enkodera Dualî ji Transformeran) modelek din a hevpar a veguherîner-based e ku ji bo sepanên têgihîştina zimanê xwezayî yên wekî bersivdana pirsê û analîza hestê hatî bikar anîn.
Herdû GPT û BERT bi hatin afirandin PyTorch, çarçoveyek fêrbûna kûr-çavkaniya vekirî ya ku ji bo pêşxistina modelên-based transformer populer bûye.
10. Makîneyên Boltzmann ên Sînordar (RBM)
Makîneyên Boltzmann ên Bisînorkirî (RBM) celebek tora neuralî ya neserperest in ku bi rengek hilberîner fêr dibe. Ji ber ku kapasîteya wan a fêrbûn û derxistina taybetmendiyên bingehîn ji daneyên bilind-dimensî ye, ew bi berfirehî di warên fêrbûna makîneyê û fêrbûna kûr de hatine xebitandin.
RBM ji du qatan pêk tê, xuya û veşartî, ku her qatek ji komek neuronan pêk tê ku bi keviyên giran ve girêdayî ne. RBM ji bo fêrbûna dabeşkirina îhtimalê ya ku daneya têketinê vedibêje hatine sêwirandin.
Makîneyên Boltzmann ên Bisînorkirî çi ne?
RBM stratejiyek fêrbûna hilberîner bikar tîne. Di RBM-an de, qata xuyangê daneya têketinê nîşan dide, dema ku qata veşartî taybetmendiyên daneya têketinê şîfre dike. Giraniyên qatên xuya û veşartî hêza girêdana wan nîşan dide.
RBM di dema perwerdehiyê de bi karanîna teknolojiyek ku wekî cihêrengiya berevajî tê zanîn, giranî û nerîtên di navbera qatan de rast dikin. Cûdahiya berevajî stratejiyek fêrbûnê ya bêserûber e ku îhtîmala pêşbîniya modelê herî zêde dike.
Girîngiya Makîneyên Boltzmann ên Bisînorkirî çi ye?
RBM di nav de girîng in fêrbûna makîneyê û fêrbûna kûr ji ber ku ew dikarin taybetmendiyên têkildar ji mîqdarên mezin ên daneyê fêr bibin û derxin.
Ew ji bo naskirina wêne û axaftinê pir bi bandor in, û ew di cûrbecûr serîlêdanan de wekî pergalên pêşniyarker, tespîtkirina anomalî, û kêmkirina pîvanê hatine xebitandin. RBM dikarin di danehevên pirfireh de qaliban bibînin, ku di encamê de pêşbîn û têgihiştinên çêtir çêdibin.
Li ku derê dibe ku Makîneyên Boltzmann ên Bisînorkirî werin bikar anîn?
Serîlêdanên ji bo RBM kêmkirina pîvanê, tespîtkirina anomalî, û pergalên pêşniyarê hene. RBM bi taybetî ji bo analîzkirina hestyarî û arîkar in modelkirina mijarê di çarçoveya pêvajokirina zimanê xwezayî de.
Tora baweriyên kûr, celebek tora neuralî ya ku ji bo naskirina deng û wêneyê tê bikar anîn, RBM jî bikar tîne. Qutiya Amûra Tora Baweriya Kûr, TensorFlow, û Theano hin mînakên taybetî yên nermalava an teknolojiya ku RBM bikar tîne hene.
Hot dog
Modelên Hînbûna Kûr di cûrbecûr pîşesaziyan de, di nav de naskirina axaftinê, pêvajoya zimanê xwezayî, û dîtina komputerê, her ku diçe girîngtir dibin.
Tora Neuralî ya Tevlihev (CNN) û Tora Neuralî ya Vegere (RNN) soza herî zêde nîşan dane û di gelek serlêdanan de bi berfirehî têne bikar anîn, lêbelê, hemî modelên Fêrbûna Kûr xwedî avantaj û dezawantajên xwe ne.
Lêbelê, lêkolîner hîn jî li Makîneyên Boltzmann (RBM) û celebên din ên modelên Fêrbûna Kûr digerin ji ber ku ew jî xwedan avantajên taybetî ne.
Tê pêşbînîkirin ku modelên nû û afirîner werin afirandin ji ber ku qada fêrbûna kûr pêşde diçe da ku pirsgirêkên dijwar bi rê ve bibe.
Leave a Reply