Nandritra ny taona maro, ny fianarana lalina dia nanao lohateny lehibe amin'ny teknolojia. Ary, mora ny mahatakatra ny antony.
Ity sampan'ny faharanitan-tsaina artifisialy ity dia manova sehatra manomboka amin'ny fikarakarana ara-pahasalamana mankany amin'ny banky mankany amin'ny fitaterana, manome fahafahana ny fandrosoana tsy noeritreretina teo aloha.
Ny fianarana lalina dia naorina amin'ny andiana algorithm be pitsiny izay mianatra maka sy maminavina ireo lamina saro-takarina avy amin'ny angon-drakitra marobe.
Hojerentsika ny algorithm fianarana lalina 15 tsara indrindra ato amin'ity lahatsoratra ity, avy amin'ny Convolutional Neural Networks ka hatramin'ny Generative Adversarial Networks ka hatramin'ny tamba-jotra fitadidiana maharitra.
Ity lahatsoratra ity dia hanome fanazavana ilaina raha toa ianao ka a vao manomboka na manam-pahaizana amin'ny fianarana lalina.
1. Transformer Networks
Niova ny tambajotra Transformer fahitana computer ary fampiharana amin'ny fiteny voajanahary (NLP). Mamakafaka ny angon-drakitra miditra izy ireo ary mampiasa ny fizotran'ny fifantohana mba hisintonana fifandraisana lavitra. Izany dia mahatonga azy ireo haingana kokoa noho ny modely amin'ny filaharana mahazatra.
Ny tambajotra Transformer dia nofaritana voalohany tao amin'ny famoahana "Attention Is All You Need" nataon'i Vaswani et al.
Izy ireo dia misy encoder sy decoder (2017). Ny maodelin'ny transformer dia naneho fahombiazana tamin'ny fampiharana NLP isan-karazany, anisan'izany famakafakana ny fahatsapana, fanasokajiana lahatsoratra, ary fandikana milina.
Ny modely mifototra amin'ny Transformer dia azo ampiasaina amin'ny fahitana solosaina ho an'ny fampiharana. Afaka manao famantarana zavatra sy fametahana sary izy ireo.
2. Tambajotra fitadidiana maharitra fohy (LSTM)
Long Short-Term Memory Networks (LSTMs) dia endrika iray amin'ny ny tambazotran'ny fahasalamana natao indrindra mba hifehezana ny fidirana misesy. Antsoina hoe "fohy fohy" izy ireo satria afaka mitadidy fahalalana efa hatry ny ela ary manadino ny vaovao tsy ilaina.
Ny LSTM dia miasa amin'ny alalan'ny "vavahady" sasany izay mifehy ny fikorianan'ny vaovao ao anatin'ny tambajotra. Miankina amin'ny maha-zava-dehibe ny vaovao na tsia, ireo vavahady ireo dia afaka mampiditra izany na manakana izany.
Ity teknika ity dia ahafahan'ny LSTM mitadidy na manadino ny vaovao avy amin'ny dingana taloha, izay tena ilaina amin'ny asa toy ny fanekena kabary, fanodinana fiteny voajanahary, ary faminaniana andiam-potoana.
Ny LSTMs dia tena mahasoa amin'ny tranga rehetra izay anananao angon-drakitra misesy izay tsy maintsy tombanana na vinavinaina. Matetika izy ireo no ampiasaina amin'ny rindrambaiko famantarana feo mba hamadika ny teny lazaina ho lahatsoratra, na in tahiry tsena famakafakana mba haminavina ny vidin'ny ho avy mifototra amin'ny angona teo aloha.
3. Sarintanin'ny tena manokana (SOM)
Ny SOM dia karazana artifisialy tambajotra neural izay afaka mianatra ary maneho angon-drakitra saro-takarina amin'ny tontolo tsy misy dikany. Ny fomba dia miasa amin'ny alàlan'ny fanovàna ny angon-drakitra fampidirana avo lenta ho rindran-damosina roa, miaraka amin'ny singa tsirairay na ny neuron izay maneho ampahany hafa amin'ny habaka fidirana.
Ny neurons dia mifamatotra ary mamorona rafitra topolojika, ahafahan'izy ireo mianatra sy manitsy ny angona fidirana. Noho izany, ny SOM dia mifototra amin'ny fianarana tsy misy fanaraha-maso.
Tsy mila ny algorithm data misy marika hianarana. Fa kosa, mampiasa ny endri-javatra statistika amin'ny angon-drakitra fampidirana mba hahitana lamina sy fifamatorana eo amin'ireo variables.
Mandritra ny dingana fanofanana, ny neurons dia mifaninana ho famantarana tsara indrindra amin'ny angona fampidirana. Ary, mandamina tena ho rafitra misy dikany izy ireo. Ny SOM dia manana fampiharana isan-karazany, ao anatin'izany ny famantarana ny sary sy ny kabary, ny fitrandrahana angon-drakitra ary ny fanekena ny lamina.
Izy ireo dia mahasoa ho an'ny mijery angon-drakitra sarotra, mivondrona ireo teboka mifandraika amin'ny angona, ary mamantatra ny tsy fetezana na ny fivoahana.
4. Fianarana Fanamafisana lalina
Deep Fanamafisana dia karazana fianarana milina izay nampiofanana mpiasa iray handray fanapahan-kevitra mifototra amin'ny rafitra valisoa. Izy io dia miasa amin'ny alàlan'ny famelana ny mpandraharaha hifanerasera amin'ny manodidina azy ary hianatra amin'ny alàlan'ny fitsapana sy ny fahadisoana.
Ny mpandraharaha dia mahazo valisoa amin'ny hetsika rehetra ataony, ary ny tanjony dia ny hianatra ny fomba hanatsarana ny tombotsoany rehefa mandeha ny fotoana. Izany dia azo ampiasaina hampianarana ny mpiasa hilalao lalao, hitondra fiara, ary hitantana robot mihitsy aza.
Q-Learning dia fomba fianarana amin'ny fanamafisana lalina fanta-daza. Izy io dia miasa amin'ny fanombanana ny sandan'ny fanaovana hetsika iray amin'ny fanjakana iray manokana ary ny fanavaozana izany tombanana izany rehefa mifandray amin'ny tontolo iainana ny mpandraharaha.
Ampiasain'ilay mpandraharaha avy eo ireo tombana ireo mba hamaritana hoe inona no hetsika mety hiteraka valisoa lehibe indrindra. Ny Q-Learning dia nampiasaina hanabeazana ireo mpiasan'ny lalao Atari, ary koa hanatsarana ny fampiasana angovo amin'ny foibe data.
Deep Q-Networks dia fomba iray hafa malaza amin'ny fianarana fanamafisana lalina (DQN). Ny DQNs dia mitovy amin'ny Q-Learning amin'ny fanombanana ny soatoavin'ny hetsika amin'ny fampiasana tambajotra neural lalina fa tsy latabatra.
Izany dia ahafahan'izy ireo miatrika toe-javatra goavana sy sarotra miaraka amin'ny hetsika hafa maro. DQNs dia nampiasaina hanofanana ireo mpiasan'ny lalao toy ny Go sy Dota 2, ary koa ny famoronana robot afaka mianatra mandeha.
5. Recurrent Neural Networks (RNNs)
Ny RNN dia karazana tambajotra neural izay afaka manodina angon-drakitra misesy rehefa mitazona fanjakana anatiny. Hevero fa mitovy amin’ny olona mamaky boky iray izy io, izay levonina ny teny tsirairay amin’ireo teny teo alohany.
Noho izany, ny RNN dia mety tsara amin'ny asa toy ny fanekena kabary, fandikana fiteny, ary na dia ny faminaniany ny teny manaraka ao anaty fehezanteny aza.
Ny RNN dia miasa amin'ny fampiasana tadivavarana fanehoan-kevitra hampifandray ny vokatra isaky ny dingana miverina amin'ny fidirana amin'ny dingana manaraka. Izany dia ahafahan'ny tambajotra mampiasa fampahalalana momba ny dingana teo aloha mba hampahafantarana ny faminaniany momba ny dingana ho avy. Indrisy anefa fa midika ihany koa izany fa ny RNN dia mora voan'ny olan'ny gradient manjavona, izay lasa kely dia kely ny gradients ampiasaina amin'ny fiofanana ary sahirana ny tambajotra hianatra fifandraisana maharitra.
Na dia eo aza izany faneriterena miharihary izany, ny RNN dia nahita fampiasa amin'ny fampiharana isan-karazany. Anisan'ireo fampiharana ireo ny fanodinana fiteny voajanahary, ny fanekena ny kabary, ary ny famokarana mozika mihitsy aza.
Dikanteny Google, ohatra, dia mampiasa rafitra mifototra amin'ny RNN mba handikana amin'ny fiteny, raha toa kosa i Siri, ilay mpanampy virtoaly, dia mampiasa rafitra mifototra amin'ny RNN hamantarana feo. Ny RNN koa dia nampiasaina hanombanana ny vidin'ny tahiry ary hamorona lahatsoratra sy sary tena misy.
6. Capsule Networks
Capsule Networks dia karazana tambajotra neural vaovao izay afaka mamantatra ny lamina sy ny fifandraisana amin'ny angona amin'ny fomba mahomby kokoa. Izy ireo dia mandamina ny neurônina ho "capsules" izay mametaka ny lafiny sasany amin'ny fampidirana.
Amin'izany fomba izany dia afaka manao faminaniana marina kokoa izy ireo. Ny Capsule Networks dia manala ireo fananana sarotra miandalana avy amin'ny angon-drakitra fampidirana amin'ny alàlan'ny fampiasana kapsules maromaro.
Ny teknikan'ny Capsule Networks dia ahafahan'izy ireo mianatra ny fanehoana ambaratongam-pahefana amin'ny fidirana nomena. Azon'izy ireo atao ny mandika tsara ny fifandraisana ara-potoana eo amin'ireo singa ao anaty sary amin'ny alàlan'ny fifandraisana eo anelanelan'ny kapsula.
Ny famantarana zavatra, ny fizarana sary, ary ny fanodinana fiteny voajanahary dia fampiharana rehetra amin'ny Capsule Networks.
Capsule Networks dia mety ho azo ampiasaina mitondra fiara mitokana teknolojia. Izy ireo dia manampy ny rafitra hamantatra sy hanavaka ny zavatra toy ny fiara, ny olona ary ny famantarana ny fifamoivoizana. Ireo rafitra ireo dia afaka misoroka ny fifandonana amin'ny fanaovana vinavina mazava kokoa momba ny fihetsiky ny zavatra eo amin'ny tontolo iainany.
7. Variational Autoencoders (VAEs)
VAE dia endrika fitaovana fianarana lalina izay ampiasaina amin'ny fianarana tsy misy fanaraha-maso. Amin'ny alàlan'ny famadihana angon-drakitra ho any amin'ny habaka mirefarefa ambany ary avy eo mamadika izany hiverina amin'ny endrika tany am-boalohany, dia mety hianatra hamantatra lamina ao anaty angona izy ireo.
Toy ny mpanao ody izy ireo, izay afaka manova bitro ho satroka, ary avy eo miverina ho bitro! Ny VAE dia mahasoa amin'ny famoronana sary na mozika tena misy. Ary, azo ampiasaina izy ireo hamokatra angona vaovao izay ampitahaina amin'ny angona tany am-boalohany.
Ny VAE dia mitovy amin'ny codebreaker miafina. Afaka mahita ny fototra izy ireo firafitry ny angona amin'ny famongorana azy ho bitika tsotra kokoa, toy ny fandravana piozila. Azon'izy ireo atao ny mampiasa an'io fampahalalana io mba hananganana angona vaovao mitovy amin'ny tany am-boalohany rehefa avy nandamina ny ampahany.
Ity dia mety ho mora ampiasaina amin'ny fanerena rakitra goavambe na famokarana sary na mozika vaovao amin'ny fomba iray. Afaka mamokatra votoaty vaovao ihany koa ny VAE, toy ny tantaram-baovao na tononkira mozika.
8. Generative Adversarial Networks (GANs)
Ny GAN (Generative Adversarial Networks) dia endrika rafitra fianarana lalina izay miteraka angona vaovao mitovy amin'ny tany am-boalohany. Izy ireo dia miasa amin'ny fanofanana tamba-jotra roa: gropy ary tambajotra mpanavakavaka.
Mamokatra angona vaovao mitovy amin'ny tany am-boalohany ilay mpamokatra.
Ary, manandrana manavaka ny angon-drakitra tany am-boalohany sy ny noforonina ilay mpanavakavaka. Ny tambajotra roa dia nampiofanina miaraka, miaraka amin'ny mpamokatra manandrana mamitaka ny mpanavakavaka ary ny mpanavakavaka manandrana mamantatra tsara ny angona tany am-boalohany.
Hevero ny GAN ho toy ny fifandimbiasana eo amin'ny mpisandoka sy ny mpitsongo. Mitovy amin'ny mpisandoka ihany koa ny fiasan'ny mpamokatra, ka mamokatra sangan-kanto vaovao mitovy amin'ny tany am-boalohany.
Ny mpanavakavaka dia miasa toy ny mpitsikilo, manandrana manavaka ny tena zava-kanto sy ny hosoka. Ny tambajotra roa dia miofana miaraka, miaraka amin'ny mpanamboatra mihatsara amin'ny fanaovana hosoka azo inoana ary ny mpanavakavaka dia manatsara ny fahafantarana azy ireo.
Manana fampiasana maromaro ny GAN, manomboka amin'ny famokarana sarin'olona na biby tena izy ka hatramin'ny famoronana mozika na fanoratana vaovao. Azo ampiasaina amin'ny fampitomboana angon-drakitra ihany koa izy ireo, izay tafiditra amin'ny fampifangaroana angon-drakitra novokarina amin'ny angona tena izy mba hananganana angona lehibe kokoa ho an'ny fanofanana modely fianarana milina.
9. Deep Q-Networks (DQNs)
Ny Deep Q-Networks (DQNs) dia karazana algorithm fianarana fanamafisana manapa-kevitra. Izy ireo dia miasa amin'ny fianarana Q-fonction izay maminavina ny valisoa andrasana amin'ny fanaovana hetsika iray amin'ny toe-javatra manokana.
Ny Q-function dia ampianarina amin'ny alàlan'ny fitsapana sy ny fahadisoana, miaraka amin'ny algorithm manandrana hetsika isan-karazany sy fianarana amin'ny vokatra.
Hevero ho toy ny a lalao video toetra manao fanandramana amin'ny hetsika isan-karazany ary mahita hoe iza no mitarika ho amin'ny fahombiazana! Ny DQN dia manofana ny Q-function amin'ny fampiasana tambajotra neural lalina, ka mahatonga azy ireo ho fitaovana mahomby amin'ny asa fanapahan-kevitra sarotra.
Nandresy ny tompondakan’olombelona mihitsy aza izy ireo tamin’ny lalao toy ny Go sy ny echec, ary koa ny robotika sy ny fiara mitondra tena. Noho izany, amin'ny ankapobeny, ny DQN dia miasa amin'ny fianarana avy amin'ny traikefa mba hanatsarana ny fahaizany mandray fanapahan-kevitra rehefa mandeha ny fotoana.
10. Tambajotran-tambajotra miasa fototra (RBFN)
Radial Basis Function Networks (RBFNs) dia karazana tambajotra neural izay ampiasaina hanombantombanana ny asa sy hanaovana asa fanasokajiana. Izy ireo dia miasa amin'ny alàlan'ny fanovana ny angon-drakitra fidirana ho toerana avo kokoa amin'ny alàlan'ny fanangonana ny asa fototra radial.
Ny vokatra avy amin'ny tambajotra dia fitambarana tsipika amin'ny asa fototra, ary ny fiasa fototra radial tsirairay dia maneho teboka afovoany ao amin'ny habaka fidirana.
Ny RBFN dia mahomby indrindra amin'ny toe-javatra misy fifandraisana saro-pady amin'ny fidirana, ary azo ampianarina amin'ny fampiasana teknika isan-karazany, anisan'izany ny fianarana voafehy sy tsy voafehy. Izy ireo dia nampiasaina tamin'ny zavatra rehetra manomboka amin'ny faminaniana ara-bola ka hatramin'ny fanekena sary sy kabary ka hatramin'ny diagnostika ara-pitsaboana.
Hevero ny RBFNs ho toy ny rafitra GPS izay mampiasa andianà teboka vatofantsika hitadiavana ny lalany manerana ny tany sarotra. Ny vokatra avy amin'ny tambajotra dia fitambaran'ireo teboka vatofantsika, izay mijoro ho an'ny asa fototra radial.
Afaka mijery vaovao saro-takarina isika ary mamokatra vinavina mazava tsara momba ny fomba hivoahan'ny scenario iray amin'ny fampiasana RBFNs.
11. Multilayer Perceptrons (MLPs)
Ny endrika mahazatra amin'ny tambajotra neural antsoina hoe multilayer perceptron (MLP) dia ampiasaina amin'ny asa fianarana manara-maso toy ny fanasokajiana sy ny famerenana. Izy ireo dia miasa amin'ny alàlan'ny fametahana sosona maromaro misy nodes mifandray, na neurons, miaraka amin'ny sosona tsirairay dia manova ny angona miditra.
Ao amin'ny MLP, ny neuron tsirairay dia mahazo fidirana avy amin'ny neurons ao amin'ny sosona etsy ambany ary mandefa famantarana amin'ny neurons ao amin'ny sosona etsy ambony. Ny fivoahan'ny neuron tsirairay dia voafaritra amin'ny alàlan'ny fiasa fampahavitrihana, izay manome ny tsy firaharahiana ny tambajotra.
Mahay mianatra fanehoana saro-pady amin'ny angona fampidirana izy ireo satria afaka manana sosona miafina maromaro.
Nampiharina tamin'ny asa isan-karazany ny MLP, toy ny famakafakana ny fihetseham-po, ny fisavana hosoka, ary ny fankatoavana ny feo sy ny sary. Ny MLP dia azo ampitahaina amin'ny vondron'ny mpanao famotorana miara-miasa mba handrava raharaha sarotra.
Izy ireo miaraka dia afaka manambatra ny zava-misy sy mamaha ny heloka bevava na dia eo aza ny zava-misy fa samy manana ny sehatra manokana.
12. Tambajotra Neural Convolutional (CNNs)
Ny sary sy ny horonan-tsary dia voahodina amin'ny alàlan'ny tambajotra neural convolutional (CNN), endrika tambajotra neural. Izy ireo dia miasa amin'ny fampiasana sivana azo ianarana, na kernel, mba hanesorana ireo toetra manan-danja avy amin'ny angona fampidirana.
Ny sivana dia mitsambikina eo ambonin'ny sary ampidirina, manatanteraka convolutions mba hananganana sarintany manasongadina ireo lafiny manan-danja amin'ny sary.
Satria afaka mianatra fanehoana an-tsarimihetsika momba ny toetran'ny sary ny CNN, dia tena manampy tokoa izy ireo amin'ny toe-javatra misy angona hita maso be dia be. Fampiharana maromaro no nampiasa azy ireo, toy ny fitadiavana zavatra, fanasokajiana sary, ary fijerena tarehy.
Diniho ny CNN ho mpanao hosodoko mampiasa borosy maromaro mba hamoronana sangan'asa. Ny borosy tsirairay dia kernel, ary ny mpanakanto dia afaka manamboatra sary sarotra sy tena misy amin'ny alàlan'ny fampifangaroana voany maro. Afaka maka toetra manan-danja avy amin'ny sary isika ary mampiasa azy ireny mba haminavina tsara ny votoatin'ny sary amin'ny alàlan'ny fampiasana CNNs.
13. Tambajotra finoana lalina (DBNs)
DBNs dia endrika tambajotra neural izay ampiasaina amin'ny asa fianarana tsy misy fanaraha-maso toy ny fampihenana ny refy sy ny fianarana endri-javatra. Izy ireo dia miasa amin'ny alàlan'ny fametrahana sosona maromaro amin'ny Restricted Boltzmann Machines (RBMs), izay tambajotra neural roa sosona afaka mianatra mamerina mamerina ny angona fidirana.
Ny DBN dia tena mahasoa amin'ny olan'ny angon-drakitra avo lenta satria afaka mianatra fanehoana mirindra sy mahomby amin'ny fampidirana. Nampiasaina amin'ny zavatra rehetra izy ireo manomboka amin'ny fahafantarana ny feo ka hatramin'ny fanasokajiana sary ka hatramin'ny fitadiavana zava-mahadomelina.
Ohatra, nampiasa DBN ny mpikaroka mba hanombantombanana ny fifandraisan'ny mpifaninana amin'ny fanafody amin'ny receptor estrogen. Ny DBN dia nampiofanina momba ny fitambaran'ny toetra simika sy ny fifandraisana mifamatotra, ary afaka naminavina tsara ny fifandraisana misy eo amin'ireo kandidà zava-mahadomelina vaovao.
Izany dia manasongadina ny fampiasana DBNs amin'ny fampivoarana zava-mahadomelina sy ny fampiharana angon-drakitra avo lenta hafa.
14. Autoencoders
Autoencoders dia tambajotra neural izay ampiasaina amin'ny asa fianarana tsy misy fanaraha-maso. Natao hananganana indray ny angon-drakitra fampidirana izy ireo, izay midika fa hianaran'izy ireo ny mandika ny fampahalalana ho lasa fanehoana mirindra ary avy eo dia mamadika izany hiverina amin'ny fampidirana voalohany.
Ny autoencoders dia tena mandaitra amin'ny famatrarana angon-drakitra, fanesorana ny tabataba ary ny fisavana anomalia. Azo ampiasaina amin'ny fianarana endri-javatra ihany koa izy ireo, izay ampidirina amin'ny asa fianarana voaara-maso ny sarin'ny autoencoder.
Hevero ho mpianatra mandray an-tsoratra ao an-dakilasy ny autoencoders. Mihaino ny lahateny ny mpianatra ary manoratra ireo teboka manan-danja indrindra amin'ny fomba fohy sy mahomby.
Aorian’izay, dia mety handalina sy hitadidy ilay lesona ilay mpianatra amin’ny fampiasana ny naoty. Ny autoencoder, etsy ankilany, dia mamadika ny angon-drakitra miditra ho fanehoana marim-pototra izay mety hampiasaina amin'ny tanjona samihafa toy ny fitadiavana anomaly na fanerena angon-drakitra.
15. Masinina Boltzmann voafetra (RBM)
RBMs (Masinina Boltzmann Voafetra) dia karazana tambajotra neural generative izay ampiasaina amin'ny asa fianarana tsy misy fanaraha-maso. Izy ireo dia voaforon'ny sosona hita maso sy sosona miafina, misy neurons isaky ny sosona, mifamatotra fa tsy ao anatin'ny sosona iray ihany.
Ny RBM dia voaofana amin'ny fampiasana teknika antsoina hoe contrastive divergence, izay mitaky ny fanovana ny lanja eo amin'ny sosona hita maso sy miafina mba hanamafisana ny mety hisian'ny angona fanofanana. Ny RBM dia mety hamorona angona vaovao rehefa avy nampiofanina tamin'ny santionany avy amin'ny fizarana nianarana.
Ny fahafantarana ny sary sy ny kabary, ny fanivanana fiaraha-miasa, ary ny fitadiavana anomaly dia fampiharana rehetra nampiasa RBM. Nampiasaina tamin'ny rafitra fanolorana ihany koa izy ireo mba hamoronana tolo-kevitra mifanaraka amin'ny fianarana ny lamina avy amin'ny fitondran-tenan'ny mpampiasa.
Ny RBM koa dia nampiasaina tamin'ny fianarana endri-javatra mba hamoronana fanehoana marim-pototra sy mahomby amin'ny angon-drakitra avo lenta.
Famaranana sy Fampandrosoana Mampanantena eo amin'ny Horizon
Ny fomba fianarana lalina, toy ny Convolutional Neural Networks (CNNs) sy ny Recurrent Neural Networks (RNNs), dia anisan'ireo fomba fiasa artifisialy mandroso indrindra. Nanova sary sy feo ny CNNs, raha nandroso be kosa ny RNN tamin'ny fanodinana fiteny voajanahary sy ny famakafakana angon-drakitra.
Ny dingana manaraka amin'ny fivoaran'ireo fomba fiasa ireo dia mety hifantoka amin'ny fanatsarana ny fahaiza-manaony sy ny scalability, ahafahan'izy ireo manadihady angon-drakitra lehibe kokoa sy sarotra kokoa, ary koa ny fanatsarana ny fahaizany mandika sy ny fahaizany mianatra amin'ny angon-drakitra tsy dia misy marika.
Ny fianarana lalina dia afaka mamela ny fandrosoana amin'ny sehatra toy ny fitsaboana, ny fitantanam-bola ary ny rafitra tsy miankina rehefa mandroso.
Leave a Reply