Bi salan, fêrbûna kûr di teknolojiyê de sernavên xwe çêdike. Û, hêsan e ku meriv fêm bike çima.
Ev şaxê îstîxbarata sûnî sektorên ji lênihêrîna tenduristiyê bigire heya bankingê heya veguheztinê vediguhezîne, û rê dide pêşkeftinên ku berê nedihatin fikirandin.
Fêrbûna kûr li ser komek algorîtmayên sofîstîke hatî çêkirin ku fêrî derxistin û pêşbînîkirina qalibên tevlihev ji cildên mezin ên daneyê dibe.
Em ê di vê postê de li 15 algorîtmayên fêrbûna kûr ên çêtirîn binêrin, ji Tora Neuralî ya Hevbeş bigire heya Tora Dijbera Generative bigire heya torên Bîra Kurt-Term.
Ev post dê têgihiştinên bingehîn bide ka hûn a ne destpêk an pisporê fêrbûna kûr.
1. Torên Transformer
Torên veguherîner veguherînin vîzyona computer û serîlêdanên pêvajoya zimanê xwezayî (NLP). Ew daneyên gihîştî analîz dikin û pêvajoyên baldariyê bikar tînin da ku têkiliyên dirêj-dirêj bigirin. Ev wan ji modelên rêzikan-bi-rêkûpêk ên kevneşopî zûtir dike.
Tora veguherîner yekem car di weşana "Tiştê ku hûn hewce ne baldar in" ji hêla Vaswani et al.
Ew ji encoder û dekoderek (2017) pêk tên. Modela veguherîner di nav cûrbecûr serîlêdanên NLP de, di nav de, performansê nîşan daye analîzê, kategorîzekirina nivîsê, û wergera makîneyê.
Modelên-based Transformer jî dikarin di vîzyona komputerê de ji bo sepanan werin bikar anîn. Ew dikarin naskirina tiştan û sernavkirina wêneyê pêk bînin.
2. Torên Bîra Kurt-Dûr (LSTM)
Tora Bîra Kurt-Term (LSTM) celebek e torê neural bi taybetî ji bo birêvebirina têketina rêzdar hatî çêkirin. Ew wekî "kurt-kurt" têne binav kirin ji ber ku ew dikarin zanîna ji demek dirêj berê bi bîr bînin û di heman demê de agahdariya nepêwist jî ji bîr bikin.
LSTM di nav hin "dergeh" de dixebitin ku herikîna agahdariya di hundurê torê de rêve dibin. Bi ve girêdayî ye ku agahdarî girîng tê hesibandin an na, van derî dikarin wê bihêlin an jî pêşî lê bigirin.
Ev teknîk LSTMs dihêle ku agahdariya ji gavên dema borî bi bîr bîne an ji bîr bike, ku ji bo karên wekî naskirina axaftinê, pêvajokirina zimanê xwezayî, û pêşbîniya rêzikên demê krîtîk e.
LSTM di her rewşê de ku hûn daneyên rêzdar ên ku divê werin nirxandin an pêşbînîkirin hebin pir bikêr in. Ew bi gelemperî di nermalava naskirina deng de têne bikar anîn da ku peyvên axaftinê veguherînin nivîsê, an tê de borse analîzek ji bo pêşbînkirina bihayên pêşerojê li ser bingeha daneyên berê.
3. Nexşeyên Xwe Organîzekirin (SOM)
SOM celebek çêkirî ne tora neuralî ya ku dikare fêr bibe û daneyên tevlihev di hawîrdorek kêm-dimensî de temsîl dikin. Rêbaz bi veguheztina daneya têketina-dimensîyonî ya bilind di nav torek du-alî de dixebite, digel ku her yekîneyek an neuron beşek cihê cîhê têketinê temsîl dike.
Neron bi hev ve girêdayî ne û avahiyek topolojîk diafirînin, rê dide wan ku fêr bibin û daneya têketinê rast bikin. Ji ber vê yekê, SOM li ser fêrbûna bêserûber e.
Algorîtma ne hewce ye daneyên etîketkirî ji fêr bibin. Di şûna wê de, ew taybetmendiyên statîstîkî yên daneya têketinê bikar tîne da ku di nav guherbaran de qalib û pêwendiyan kifş bike.
Di qonaxa perwerdehiyê de, neuron pêşbaziyê dikin ku bibin nîşana çêtirîn a daneya têketinê. Û, ew xwe di nav avahiyek watedar de birêxistin dikin. SOM xwedan cûrbecûr serlêdanan in, di nav de naskirina wêne û axaftinê, derxistina daneyê, û nasîna nimûne.
Ew ji bo kêrhatî ne dîtbarîkirina daneyên tevlihev, komkirina nuqteyên daneyên têkildar, û tespîtkirina anormalî an derveyî.
4. Fêrbûna Hêzkirina Kûr
Kûr Fêrbûna Hêzkirinê celebek fêrbûna makîneyê ye ku tê de karmendek tê perwerde kirin ku li ser bingeha pergala xelatê biryaran bide. Ew bi rê ve dibe ku ajan bi derdora xwe re têkilî daynin û bi ceribandin û xeletiyê fêr bibin.
Ajan ji bo her çalakiya ku dike tê xelat kirin, û mebesta wê ew e ku fêr bibe ka meriv çawa bi demê re feydeyên xwe xweş bike. Dibe ku ev were bikar anîn da ku ajanan fêrî lîstikan bike, ajotina otomobîlan, û tewra robotan jî birêve bibe.
Q-Fêrbûn rêbazek Fêrbûna Hêzdarkirina Kûr naskirî ye. Ew bi nirxandina nirxa kirina çalakiyek diyarkirî di rewşek taybetî de û nûvekirina wê texmînê wekî ku ajan bi hawîrdorê re têkilî dike tevdigere.
Dûv re ajan van texmînan bikar tîne da ku diyar bike ka kîjan kiryar bi îhtîmalek mezin e ku bibe xelata herî mezin. Q-Learning ji bo perwerdekirina ajanan ji bo lîstina lîstikên Atari, û her weha ji bo baştirkirina karanîna enerjiyê di navendên daneyê de hatî bikar anîn.
Deep Q-Networks rêbazek din a navdar a Fêrbûna Hêzdarkirina Kûr (DQN) ye. DQN mîna Q-Learning in ku ew nirxên çalakiyê bi karanîna torgilokek neuralî ya kûr li şûna tabloyek texmîn dikin.
Ev rê dide wan ku bi gelek kiryarên alternatîf re bi mîhengên mezin, tevlihev re mijûl bibin. DQN ji bo perwerdekirina ajanan ji bo lîstina lîstikên wekî Go û Dota 2, û hem jî ji bo afirandina robotên ku dikarin fêrî rêve bibin hatine bikar anîn.
5. Torên Neuralî yên Dubare (RNN)
RNN celebek torê neuralî ye ku dikare daneyên lihevhatî bidomîne dema ku rewşek hundurîn bigire. Bihesibînin ku ew dişibihe mirovek ku pirtûkekê dixwîne, ku tê de her peyv bi yên berî wê re têkildar e.
Ji ber vê yekê RNN ji bo karên wekî naskirina axaftinê, wergera ziman, û tewra pêşbînkirina peyva din a di hevokê de îdeal in.
RNN bi karanîna lûleyên vegerê dixebitin da ku hilberîna her gavê paşde bi têketina gava gava pêşîn ve girêbide. Ev dihêle torê ku agahdariya gava pêşîn bikar bîne da ku pêşbîniyên xwe ji bo gavên dema pêşerojê agahdar bike. Mixabin, ev jî tê vê wateyê ku RNN ji pirsgirêka gradientê ya windabûnê re xeternak in, ku tê de gradientên ku ji bo perwerdehiyê têne bikar anîn pir piçûk dibin û torê ji bo fêrbûna têkiliyên dirêj-dirêj têdikoşe.
Tevî vê astengiya eşkere, RNN-ê di gelek sepanan de bikar anîne. Van serîlêdan pêvajoykirina zimanê xwezayî, naskirina axaftinê, û tewra hilberîna muzîkê jî vedigire.
Wergêrra googleMînakî, pergalek bingeha RNN-ê bikar tîne da ku li ser zimanan wergerîne, dema ku Siri, arîkarê virtual, pergalek bingeha RNN-ê bikar tîne da ku deng bibîne. RNN di heman demê de ji bo pêşbînkirina bihayên borsayê û afirandina nivîs û grafikên rastîn hatine bikar anîn.
6. Networks Capsule
Tora Capsule celebek nû ya sêwirana tora neuralî ye ku dikare di daneyan de qalib û pêwendiyan bi bandortir nas bike. Ew neuronan di "kapsûlan" de organîze dikin ku hin aliyên têketinê kod dikin.
Bi vî awayî ew dikarin pêşbîniyên rasttir bikin. Torgilokên Kapsulê bi karanîna gelek qatên kapsulan ve taybetmendiyên pêşkeftî yên tevlihev ji daneyên têketinê derdixin.
Teknolojiya Torgilokên Kapsulê rê dide wan ku fêrî nûneratiyên hiyerarşîk ên têketina diyar bibin. Ew dikarin bi danûstendina di navbera kapsulan de bi rêkûpêk girêdanên cîhê di navbera tiştên hundurê wêneyek de kod bikin.
Nasnameya tiştan, dabeşkirina wêneyê, û pêvajokirina zimanê xwezayî hemî serîlêdanên Tora Kapsulê ne.
Tora Kapsulê potansiyela ku tê de were xebitandin heye ajotinê xweser teknolojiyên. Ew pergalê di naskirin û ferqkirina tiştên wekî otomobîl, mirov û nîşanên trafîkê de dibin alîkar. Van pergal dikarin bi çêkirina pêşbîniyên rasttir li ser tevgera tiştên di hawîrdora wan de ji pevçûnan dûr bikevin.
7. Koderên Xweser ên Guherbar (VAE)
VAE formek amûrek fêrbûna kûr e ku ji bo fêrbûna bêserûber tê bikar anîn. Bi şîfrekirina daneyan li cîhek piçûktir û dûv re vegerandina wê di forma orîjînal de, dibe ku ew fêr bibin ku di daneyan de nimûneyan bibînin.
Ew mîna sêrbazek in ku dikare keroşkekê veguhezîne kulmek û dûv re vegerîne bunny! VAE ji bo hilberîna dîmen an muzîka rastîn bikêr in. Û, ew dikarin werin bikar anîn da ku daneyên nû yên ku bi daneyên orîjînal re têne berhev kirin hilberînin.
VAE dişibin şîfrekera veşartî. Ew dikarin binavê kifş bikin avahiya daneyê bi şikandina wê li beşên sadetir, mîna ku çawa puzzle tê hilweşandin. Ew dikarin wê agahiyê bikar bînin da ku daneyên nû yên ku dişibin orîjînalê piştî ku wan perçeyan veqetandin ava bikin.
Ev dikare ji bo berhevkirina pelên mezin an hilberandina grafîk an muzîka nû bi şêwazek diyarkirî kêrhatî be. VAE di heman demê de dikarin naverokek nû hilberînin, wek çîrokên nûçeyan an gotinên muzîkê.
8. Torên Dijberê Generative (GAN)
GAN (Generative Adversarial Networks) formek pergalek fêrbûna kûr e ku daneyên nû yên ku dişibin orjînalê diafirîne. Ew bi perwerdekirina du toran tevdigerin: jeneratorek û tora cûdakar.
Generator daneyên nû yên ku bi orîjînal re têne berhev kirin çêdike.
Û, cudaker hewl dide ku di navbera daneya orîjînal û çêkirî de ji hev cuda bike. Her du şebek bi hev re têne perwerde kirin, digel ku jenerator hewl dide ku cudaker bixapîne û cihêkar jî hewl dide ku daneyên orîjînal rast nas bike.
GAN bihesibînin ku di navbera sextekar û detektîf de xaçeyek bin. Generator bi heman rengî wekî çêkerek dixebite, hunera nû ya ku dişibihe orîjînalê hildiberîne.
Cûdakar wekî detektîf tevdigere, hewl dide ku di navbera karên hunerî yên rastîn û sextekariyê de cihê bike. Her du şebek bi hev re têne perwerde kirin, digel ku jenerator di çêkirina sextekariyên maqûl de û cihêkar jî di naskirina wan de çêtir dibe.
GAN gelek karanîn hene, ji çêkirina wêneyên rastîn ên mirovan an heywanan bigire heya çêkirina muzîka nû an nivîsandinê. Di heman demê de dibe ku ew ji bo zêdekirina daneyê jî werin bikar anîn, ku tê de daneheva hilberandî bi daneyên rastîn re berhev dike da ku ji bo perwerdehiya modelên fêrbûna makîneyê danegehek mezin ava bike.
9. Tora Q-Kûr (DQN)
Tora Q-Kûr (DQN) celebek algorîtmaya fêrbûna bihêzkirina biryargirtinê ye. Ew bi fêrbûna fonksiyonek Q-ya ku ji bo kirina çalakiyek di rewşek taybetî de xelata bendewarî pêşbîn dike tevdigerin.
Fonksiyona Q bi ceribandin û xeletiyê ve tê fêr kirin, digel ku algorîtma çalakiyên cihêreng hewl dide û ji encaman fêr dibe.
Wê weke a game video karakter bi kiryarên cihêreng ceribandin û kifş dike ka kîjan rê li ber serkeftinê vedike! DQN fonksiyona Q-yê bi karanîna torgilokek neuralî ya kûr perwerde dike, ku wan ji bo karên biryargirtinê yên dijwar amûrên bandorker dike.
Wan tewra di lîstikên wekî Go û şetrencê de, û hem jî di robotîk û otomobîlên xwe-ajotinê de şampiyonên mirovan têk birin. Ji ber vê yekê, bi tevahî, DQN bi fêrbûna ji ezmûnê dixebitin ku bi demê re jêhatîbûnên xwe yên biryardanê zêde bikin.
10. Torên Fonksiyona Bingeha Radîkal (RBFN)
Torên Fonksiyonên Bingeha Radial (RBFN) celebek torê neuralî ne ku ji bo nêzîkkirina fonksiyonan û pêkanîna karên dabeşkirinê têne bikar anîn. Ew bi veguheztina daneya têketinê li cîhek mezin-dimensî bi karanîna berhevoka fonksiyonên bingeha radial tevdigerin.
Hilberîna torê ji fonksiyonên bingehîn berhevokek rêzik e, û her fonksiyonek bingeha radial xalek navendê di cîhê têketinê de temsîl dike.
RBFN bi taybetî ji bo rewşên bi danûstendinên ketin-derketinê yên tevlihev bi bandor in, û dibe ku ew bi karanîna cûrbecûr teknîkan werin fêr kirin, di nav de fêrbûna bi çavdêrî û neçapkirî. Ew ji pêşbîniyên darayî bigire heya naskirina wêne û axaftinê heya tespîtkirina bijîjkî ji bo her tiştî hatine bikar anîn.
RBFNs wekî pergalek GPS-ê bihesibînin ku rêzek xalên lengerê bikar tîne da ku riya xwe li ser axa dijwar bibîne. Hilberîna torê berhevokek xalên lengerê ye, ku ji bo fonksiyonên bingeha radial radiweste.
Em dikarin di nav agahdariya tevlihev de bigerin û pêşbîniyên rast biafirînin ka dê senaryoyek bi karanîna RBFN-an çawa derkeve holê.
11. Perceptronên Pirrengî (MLP)
Formek tîpîk a tora neuralî ya ku jê re perceptronek pirreng (MLP) tê gotin ji bo karên fêrbûna çavdêrîkirî yên wekî dabeşkirin û paşveçûn tê bikar anîn. Ew bi berhevkirina çend qatên girêkên girêdayî, an noyronan tevdigerin, digel ku her qatek bi rengek nehêl daneyên hatî diguhezîne.
Di MLP-ê de, her neuron ji noyronên di qata jêrîn de têketinê digire û îşaretekê ji noyronên li qata jorîn re dişîne. Derketina her neuronê bi karanîna fonksiyonek çalakkirinê tê destnîşankirin, ku nehêleya torê dide.
Ew dikarin nûnertiyên sofîstîke yên daneyên têketinê fêr bibin ji ber ku ew dikarin çend qatên veşartî hebin.
MLP ji bo cûrbecûr peywiran hatine sepandin, wekî analîzkirina hestê, tespîtkirina xapandinê, û naskirina deng û wêneyê. Dibe ku MLP bi komek lêkolîneran re were berhev kirin ku bi hev re dixebitin ku dozek dijwar bişkînin.
Bi hev re, ew dikarin rastiyan berhev bikin û sûcê çareser bikin tevî vê yekê ku her yek xwedan herêmek taybetî ye.
12. Torên Neuralî yên Hevbeş (CNN)
Wêne û vîdyoyên bi karanîna torên neuralî yên konvolutional (CNNs), celebek tora neuralî têne hilberandin. Ew bi karanîna komek fîlterên fêrbûyî, an kernelan dixebitin, da ku taybetmendiyên girîng ji daneyên têketinê derxînin.
Parzûn li ser wêneya têketinê diherikin, tevliheviyan pêk tînin da ku nexşeyek taybetmendiyê ava bikin ku aliyên bingehîn ên wêneyê digire.
Ji ber ku CNN dikarin nûneratiyên hiyerarşîk ên taybetmendiyên wêneyê fêr bibin, ew bi taybetî ji bo rewşên ku bi cildên mezin ên daneyên dîtbarî ve girêdayî ne arîkar in. Gelek sepanan wan bikar anîne, wek vedîtina tiştan, kategorîzekirina wêneyê, û tespîtkirina rû.
CNN-ê wekî wênesazek ku çend firçeyan bikar tîne ji bo afirandina şaheseriyek bihesibîne. Her firçe kernelek e, û hunermend dikare bi tevlihevkirina gelek kernelan wêneyek tevlihev, realîst ava bike. Em dikarin taybetmendiyên girîng ji wêneyan derxînin û wan bikar bînin da ku bi karanîna CNN-ê naveroka wêneyê rast pêşbîn bikin.
13. Torên Baweriya Kûr (DBN)
DBN formek tora neuralî ye ku ji bo peywirên fêrbûna neserperiştkirî yên wekî kêmkirina dimensîyonê û fêrbûna taybetmendiyê tê bikar anîn. Ew bi berhevkirina çend qatên Makîneyên Boltzmann (RBM) yên Bisînorkirî tevdigerin, ku torên neuralî yên du-qat in ku dikarin fêr bibin ku daneya têketinê ji nû ve ava bikin.
DBN ji bo pirsgirêkên daneya-dimîneya bilind pir bikêr in ji ber ku ew dikarin nûnertiyek tevlihev û bikêrhatî ya têketinê fêr bibin. Ew ji bo her tiştî ji naskirina deng bigire heya kategorîzekirina wêneyê heya vedîtina narkotîkê ji bo her tiştî hatine bikar anîn.
Mînakî, lêkolîneran DBN bikar anîn da ku girêdana girêdana berendamên derman bi receptorê estrojenê re texmîn bikin. DBN li ser berhevokek taybetmendiyên kîmyewî û girêdanên girêdanê hate perwerde kirin, û wê karîbû bi awakî rast pêşbîniya girêdana berendamên dermanên nû bike.
Ev karanîna DBN-ê di pêşkeftina narkotîkê û serîlêdanên daneya bilind-dimensî de ronî dike.
14. Autoencoders
Autoencoder torên neuralî ne ku ji bo peywirên fêrbûna neçaverêkirî têne bikar anîn. Mebesta wan ew e ku daneya têketinê ji nû ve ava bikin, ku tê vê wateyê ku ew ê fêr bibin ku agahdariya di nav nûneriyek tevlihev de şîfre bikin û dûv re wê vegere nav têketina orjînal.
Autoencoder ji bo berhevkirina daneyan, rakirina deng, û tespîtkirina anomalî pir bi bandor in. Di heman demê de ew dikarin ji bo fêrbûna taybetmendiyê jî werin bikar anîn, li cihê ku temsîla kompakt a otoenkoderê di peywirek fêrbûnê ya çavdêrîkirî de tê xwarin.
Bihesibînin ku kodkerên otonom bibin xwendekar ku di dersê de notan digirin. Xwendevan li dersê guhdarî dike û xalên herî têkildar bi awayekî kurt û bikêr binivîsîne.
Dûv re, xwendekar dikare bi têbîniyên xwe dersê bixwîne û bi bîr bîne. Ji hêla din ve, kodkerek xweser, daneyên têketinê di nav nûneriyek tevlihev de şîfre dike ku dibe ku paşê ji bo mebestên cihêreng ên wekî vedîtina anomalî an berhevkirina daneyê were bikar anîn.
15. Makîneyên Boltzmann ên Sînordar (RBM)
RBM (Makîneyên Boltzmann ên Bisînorkirî) celebek tora neuralî ya hilberîner e ku ji bo karên fêrbûna neserperiştkirî têne bikar anîn. Ew ji qatek xuya û qatek veşartî pêk tên, di her qatê de noyron, bi hev ve girêdayî ne, lê ne di heman qatê de ne.
RBM bi karanîna teknolojiyek ku wekî cihêrengiya berevajî tê zanîn têne perwerde kirin, ku tê de guheztina giraniyên di navbera qatên xuya û veşartî de ji bo xweşbînkirina îhtîmala daneyên perwerdehiyê têne perwerde kirin. Dibe ku RBM piştî ku bi nimûneyên ji belavkirina fêrbûyî têne perwerde kirin, daneyên nû biafirînin.
Naskirina wêne û axaftinê, fîlterkirina hevkar, û vedîtina anomalî hemî serîlêdanên ku RBM bikar anîne ne. Ew di pergalên pêşniyarê de jî hatine bikar anîn da ku ji hêla fêrbûna şêwazên ji tevgera bikarhêner ve pêşnîyarên lihevhatî biafirînin.
RBM di heman demê de di fêrbûna taybetmendiyê de hatine bikar anîn da ku nûneriyek tevlihev û bikêrhatî ya daneyên bilind-dimensî biafirîne.
Pêşveçûnên li ser Horizon-ê û Pêşketinên Hêzdar
Rêbazên fêrbûna kûr, wekî Tora Neuralî ya Hevbeş (CNN) û Tora Neuralî ya Dubarekirî (RNN), di nav nêzîkatiyên îstîxbarata sûnî ya herî pêşkeftî de ne. CNN-ê naskirina wêne û deng veguherandiye, dema ku RNN-ê di pêvajoyek zimanê xwezayî û analîzkirina daneya rêzdar de pir pêş ketiye.
Pêngava paşîn di pêşkeftina van nêzîkatiyan de dibe ku balê bikişîne ser baştirkirina karîgerî û mezinbûna wan, rê dide wan ku daneyên mezin û tevlihevtir analîz bikin, û her weha şirovekirin û şiyana xwe ya fêrbûna ji daneyên kêmtir nîşankirî zêde bikin.
Fêrbûna kûr her ku pêş dikeve şansê ku di warên wekî lênihêrîna tenduristî, darayî, û pergalên xweser de rê bide destkeftiyan heye.
Leave a Reply