Олон жилийн турш гүн гүнзгий суралцах нь технологийн гарчиг болж байна. Мөн яагаад гэдгийг ойлгоход хялбар байдаг.
Энэхүү хиймэл оюун ухааны салбар нь эрүүл мэнд, банк, тээвэр зэрэг салбаруудыг өөрчилж, урьд өмнө төсөөлж ч байгаагүй дэвшилтүүдийг бий болгож байна.
Гүнзгий сургалт нь асар их хэмжээний өгөгдлөөс нарийн төвөгтэй хэв маягийг гаргаж авах, урьдчилан таамаглаж сурах нарийн төвөгтэй алгоритмууд дээр суурилдаг.
Бид энэ нийтлэлд эвдэрсэн мэдрэлийн сүлжээнээс эхлээд үүсгэгч сөрөг сүлжээ, урт богино хугацааны санах ойн сүлжээ хүртэл гүнзгий суралцах шилдэг 15 алгоритмыг авч үзэх болно.
Энэ нийтлэл нь таныг A. мөн эсэх талаар чухал ойлголтуудыг өгөх болно эхлэгч эсвэл гүнзгий суралцах мэргэжилтэн.
1. Трансформаторын сүлжээ
Трансформаторын сүлжээнүүд өөрчлөгдсөн компьютерийн алсын хараа болон байгалийн хэл боловсруулах (NLP) програмууд. Тэд ирж буй өгөгдөлд дүн шинжилгээ хийж, урт хугацааны харилцааг бий болгохын тулд анхаарлын процессыг ашигладаг. Энэ нь тэдгээрийг энгийн дарааллаар дараалсан загваруудаас хурдан болгодог.
Трансформаторын сүлжээг анх Васвани нар "Анхаарал бол танд хэрэгтэй зүйл" нийтлэлд тайлбарласан болно.
Эдгээр нь кодлогч ба декодероос бүрдэнэ (2017). Трансформаторын загвар нь янз бүрийн NLP програмууд, түүний дотор гүйцэтгэлийг харуулсан сэтгэл хөдлөлийн шинжилгээ, текстийн ангилал, машин орчуулга.
Трансформатор дээр суурилсан загваруудыг програмын компьютерийн хараанд ашиглаж болно. Тэд объектыг таних, зургийн тайлбар хийх боломжтой.
2. Урт богино хугацааны санах ойн сүлжээ (LSTMs)
Урт богино хугацааны санах ойн сүлжээ (LSTMs) нь нэг хэлбэр юм мэдрэлийн сүлжээ ялангуяа дараалсан оролтыг зохицуулахаар бүтээгдсэн. Эрт дээр үеэс мэдлэгээ эргэн санахын зэрэгцээ шаардлагагүй мэдээллийг мартаж чаддаг тул тэдгээрийг "урт богино хугацааны" гэж нэрлэдэг.
LSTM нь сүлжээн дэх мэдээллийн урсгалыг удирддаг зарим "хаалга"-аар дамжин ажилладаг. Мэдээллийг чухал гэж үзсэн эсэхээс хамааран эдгээр хаалга нь түүнийг оруулах эсвэл урьдчилан сэргийлэх боломжтой.
Энэ техник нь LSTM-д өнгөрсөн цаг хугацааны алхмуудын мэдээллийг эргэн санах, мартах боломжийг олгодог бөгөөд энэ нь яриа таних, байгалийн хэлээр боловсруулах, цаг хугацааны цувралыг урьдчилан таамаглах зэрэг ажлуудад маш чухал юм.
LSTM нь үнэлгээ эсвэл урьдчилан таамаглах шаардлагатай дараалсан өгөгдөлтэй ямар ч тохиолдолд маш их ашиг тустай байдаг. Эдгээрийг ихэвчлэн дуу хоолой таних программ хангамжид ярианы үгийг текст болгон хөрвүүлэхэд ашигладаг хувьцааны зах зээл өмнөх мэдээлэлд үндэслэн ирээдүйн үнийг таамаглах шинжилгээ.
3. Өөрийгөө зохион байгуулах газрын зураг (SOMs)
SOM бол нэг төрлийн хиймэл зүйл юм суралцах боломжтой мэдрэлийн сүлжээ бага хэмжээст орчинд нарийн төвөгтэй өгөгдлийг төлөөлдөг. Энэ арга нь өндөр хэмжээст оролтын өгөгдлийг хоёр хэмжээст сүлжээ болгон хувиргах замаар ажилладаг бөгөөд нэгж эсвэл нейрон бүр нь оролтын орон зайн өөр хэсгийг төлөөлдөг.
Нейронууд хоорондоо холбогдож, топологийн бүтцийг бий болгож, оролтын өгөгдөлд суралцах, тохируулах боломжийг олгодог. Тиймээс SOM нь хараа хяналтгүй сургалтанд суурилдаг.
Алгоритм шаардлагагүй хаяглагдсан өгөгдөл -аас суралцах. Харин хувьсагчдын хоорондын зүй тогтол, хамаарлыг илрүүлэхийн тулд оролтын өгөгдлийн статистик шинж чанарыг ашигладаг.
Сургалтын үе шатанд нейронууд оролтын өгөгдлийн хамгийн сайн үзүүлэлт болохын тулд өрсөлддөг. Мөн тэд өөрсдийгөө утга учиртай бүтэц болгон зохион байгуулдаг. SOM нь зураг, яриа таних, өгөгдөл олборлох, хэв маягийг таних зэрэг өргөн хүрээний хэрэглээтэй.
Тэд ашигтай байдаг нарийн төвөгтэй өгөгдлийг дүрслэн харуулах, холбогдох өгөгдлийн цэгүүдийг кластерлах, хэвийн бус байдал эсвэл хэт давталтыг илрүүлэх.
4. Гүнзгийрүүлэх сургалт
Deep Бататгах сургалт шагналын систем дээр үндэслэн шийдвэр гаргахад агентийг сургадаг машин сургалтын нэг төрөл юм. Энэ нь агентийг хүрээлэн буй орчинтойгоо харьцаж, туршилт, алдааны замаар суралцах боломжийг олгодог.
Агент нь хийсэн үйлдэл болгондоо шагнагддаг бөгөөд түүний зорилго нь цаг хугацааны явцад ашиг тусаа хэрхэн оновчтой болгох талаар суралцах явдал юм. Үүнийг агентуудад тоглоом тоглох, машин жолоодох, тэр ч байтугай робот удирдахыг зааж өгөхөд ашиглаж болно.
Q-Learning бол гүнзгий бататгах сургалтын алдартай арга юм. Энэ нь тухайн төлөвт тодорхой үйлдлийг хийх үнэ цэнийг үнэлж, агент нь хүрээлэн буй орчинтой харьцах үед уг тооцоог шинэчлэх замаар ажилладаг.
Дараа нь агент эдгээр тооцооллыг ашиглан аль үйлдэл нь хамгийн их шагналыг авчрахыг тодорхойлдог. Q-Learning нь агентуудыг Atari тоглоом тоглоход сургах, мөн дата төвүүдийн эрчим хүчний хэрэглээг сайжруулахад ашиглагддаг.
Deep Q-Networks бол өөр нэг алдартай Deep Reinforcement Learning арга (DQN) юм. DQN нь Q-Learning-тай төстэй бөгөөд тэд хүснэгт гэхээсээ илүү гүнзгий мэдрэлийн сүлжээг ашиглан үйлдлийн утгыг тооцоолдог.
Энэ нь тэдэнд асар том, төвөгтэй тохиргоог олон тооны өөр үйлдэл хийх боломжийг олгодог. DQN-ийг Go, Dota 2 зэрэг тоглоом тоглох агентуудыг сургах, мөн алхаж сурах робот бүтээхэд ашигладаг.
5. Давтагдах мэдрэлийн сүлжээ (RNN)
RNN нь дотоод төлөвийг хадгалахын зэрэгцээ дараалсан өгөгдлийг боловсруулах боломжтой мэдрэлийн сүлжээ юм. Үг бүр нь өмнөх үгтэй нь уялдуулан шингэдэг ном уншиж буй хүнтэй төстэй гэж бод.
Тиймээс RNN нь яриа таних, хэлний орчуулга, тэр ч байтугай хэллэг дэх дараагийн үгийг урьдчилан таамаглах зэрэг ажилд тохиромжтой.
RNN нь буцах алхам бүрийн гаралтыг дараагийн алхамын оролттой холбохын тулд санал хүсэлтийн гогцоог ашиглан ажилладаг. Энэ нь сүлжээг ирээдүйн алхмуудын таамаглалыг мэдээлэхийн тулд өмнөх хугацааны алхамын мэдээллийг ашиглах боломжийг олгодог. Харамсалтай нь энэ нь RNN нь алга болж буй градиент асуудалд өртөмтгий гэсэн үг бөгөөд үүнд сургалтанд ашигласан градиентууд маш жижиг болж, сүлжээ нь урт хугацааны харилцаанд суралцахад бэрхшээлтэй байдаг.
Энэхүү илэрхий хязгаарлалтыг үл харгалзан RNN нь өргөн хүрээний хэрэглээнд ашиглагддаг. Эдгээр програмууд нь байгалийн хэл боловсруулах, яриа таних, тэр ч байтугай хөгжим үйлдвэрлэх зэрэг орно.
Google TranslateЖишээлбэл, RNN-д суурилсан системийг хэлээр орчуулдаг бол виртуал туслах Siri нь дуу хоолойг илрүүлэхийн тулд RNN-д суурилсан системийг ашигладаг. RNN-ийг мөн хувьцааны үнийг урьдчилан таамаглах, бодит текст, график бүтээхэд ашигласан.
6. Капсул сүлжээ
Капсул сүлжээ нь өгөгдлийн хэв маяг, хамаарлыг илүү үр дүнтэй тодорхойлох боломжтой мэдрэлийн сүлжээний шинэ загвар юм. Тэд мэдрэлийн эсийг оролтын тодорхой хэсгийг кодлодог "капсул" болгон зохион байгуулдаг.
Ингэснээр тэд илүү үнэн зөв таамаглал дэвшүүлж чадна. Капсул сүлжээ нь олон давхар капсулыг ашиглан оролтын өгөгдлөөс аажмаар төвөгтэй шинж чанаруудыг гаргаж авдаг.
Капсул сүлжээний техник нь өгөгдсөн оролтын шаталсан дүрслэлийг сурах боломжийг олгодог. Тэд капсулуудын хооронд харилцах замаар зураг доторх зүйлсийн хоорондын орон зайн холболтыг зөв кодлох боломжтой.
Объектыг тодорхойлох, зургийг сегментчлэх, байгалийн хэлээр боловсруулах зэрэг нь Капсул сүлжээний хэрэглээ юм.
Капсул сүлжээ нь ажилд орох боломжтой бие даасан жолоодох технологи. Тэд системд автомашин, хүмүүс, замын тэмдэг гэх мэт зүйлсийг таних, ялгахад тусалдаг. Эдгээр системүүд нь хүрээлэн буй орчны объектуудын үйл ажиллагааны талаар илүү нарийн таамаглал дэвшүүлснээр мөргөлдөөнөөс зайлсхийх боломжтой.
7. Вариацын автомат кодлогч (VAEs)
VAE нь хараа хяналтгүй суралцахад хэрэглэгддэг гүнзгий сургалтын хэрэглүүрийн нэг хэлбэр юм. Өгөгдлийг бага хэмжээст орон зайд кодлож, анхны формат руу буцаан тайлснаар тэд өгөгдлийн хэв маягийг олж мэдэж болно.
Тэд яг л туулайг малгай болгон хувиргаж, дараа нь туулай болгож чаддаг шидтэн шиг юм! VAE нь бодит дүрслэл эсвэл хөгжим үүсгэхэд тустай. Мөн тэдгээрийг анхны өгөгдөлтэй харьцуулах боломжтой шинэ өгөгдөл гаргахад ашиглаж болно.
VAE-ууд нь нууц код таслагчтай төстэй. Тэд далд утгыг олж чадна мэдээллийн бүтэц оньсого хэрхэн задардагтай адил энгийн хэсэг болгон задлах замаар. Тэд эд ангиудыг ангилсаны дараа анхных шиг харагдах шинэ өгөгдөл бүтээхэд энэ мэдээллийг ашиглаж болно.
Энэ нь асар том файлуудыг шахах эсвэл тодорхой хэв маягаар шинэ график эсвэл хөгжим гаргахад тохиромжтой байж болно. VAE нь мэдээний түүх, дууны үг гэх мэт шинэ контент гаргах боломжтой.
8. Үүсгэх сөрөг сүлжээнүүд (GANs)
GANs (Generative Adversarial Networks) нь эхтэй төстэй шинэ өгөгдөл үүсгэдэг гүнзгий сургалтын системийн нэг хэлбэр юм. Тэд генератор болон ялгах сүлжээ гэсэн хоёр сүлжээг сургах замаар ажилладаг.
Генератор нь анхныхтай харьцуулах боломжтой шинэ өгөгдлийг гаргадаг.
Мөн ялгагч нь анхны болон үүсгэсэн өгөгдлийг хооронд нь ялгахыг оролддог. Хоёр сүлжээг хослон сургадаг бөгөөд генератор нь ялгаварлагчийг хуурах оролдлого, ялгаварлагч нь анхны өгөгдлийг зөв тодорхойлохыг оролддог.
ГАН-г хуурамчаар үйлдэгч, мөрдөгч хоёрын зааг гэж бодоорой. Генератор нь хуурамчаар үйлчилдэг бөгөөд анхныхтай төстэй шинэ урлагийн бүтээлүүдийг гаргадаг.
Ялгаварлагч нь жинхэнэ урлагийн бүтээл, хуурамч зүйлийг ялгахыг оролддог мөрдөгчөөр ажилладаг. Энэ хоёр сүлжээг хослуулан сургадаг бөгөөд генератор нь үнэмшилтэй хуурамч мэдээлэл гаргах, ялгаварлагч нь тэдгээрийг таних чадвараа сайжруулдаг.
GAN нь хүн, амьтдын бодит зургийг бүтээхээс эхлээд шинэ хөгжим, зохиол бүтээх хүртэл хэд хэдэн хэрэглээтэй. Тэдгээрийг мөн өгөгдлийг нэмэгдүүлэхэд ашиглаж болох бөгөөд энэ нь үйлдвэрлэсэн өгөгдлийг бодит өгөгдөлтэй нэгтгэж, машин сургалтын загваруудыг сургах илүү том өгөгдлийн багцыг бий болгох явдал юм.
9. Гүн Q-Networks (DQNs)
Deep Q-Networks (DQNs) нь шийдвэр гаргах чадварыг сайжруулах сургалтын нэг төрлийн алгоритм юм. Тэд тодорхой нөхцөлд тодорхой үйлдлийг хийснээр хүлээгдэж буй шагналыг урьдчилан таамаглах Q-функцийг сурах замаар ажилладаг.
Q-функцийг туршилт, алдаагаар заадаг бөгөөд алгоритм нь янз бүрийн үйлдэл хийхийг оролдож, үр дүнгээс суралцдаг.
Үүнийг авч үзье видео тоглоом Төрөл бүрийн үйлдлүүдийг туршиж, аль нь амжилтанд хүргэдэг болохыг олж мэдэх дүр! DQN нь гүн мэдрэлийн сүлжээг ашиглан Q-функцийг сургаж, шийдвэр гаргахад хэцүү үр дүнтэй хэрэгсэл болгодог.
Тэд хүн төрөлхтний аваргуудыг Go, шатар, робот, өөрөө жолоодлоготой автомашин зэрэг төрөлд ялж байсан. Ерөнхийдөө DQN нь шийдвэр гаргах чадвараа цаг хугацааны явцад сайжруулахын тулд туршлагаас суралцаж ажилладаг.
10. Radial Basis Function Networks (RBFNs)
Radial Basis Function Networks (RBFNs) нь функцийг ойролцоолох, ангилах даалгавруудыг гүйцэтгэхэд ашиглагддаг мэдрэлийн сүлжээ юм. Эдгээр нь радиаль суурь функцуудын цуглуулгыг ашиглан оролтын өгөгдлийг илүү хэмжээст орон зай болгон хувиргах замаар ажилладаг.
Сүлжээний гаралт нь үндсэн функцүүдийн шугаман хослол бөгөөд радиаль суурь функц бүр нь оролтын орон зай дахь төв цэгийг илэрхийлдэг.
RBFN нь оролт-гаралтын харилцан үйлчлэлийн төвөгтэй нөхцөл байдалд онцгой үр дүнтэй байдаг бөгөөд тэдгээрийг хяналттай болон хяналтгүй суралцах зэрэг өргөн хүрээний арга техникийг ашиглан зааж болно. Эдгээрийг санхүүгийн таамаглалаас авахуулаад зураг, яриа таних, эмнэлгийн оношлогоо зэрэг бүх зүйлд ашигладаг.
RBFN-ийг хэцүү газар нутгийг даван туулах замыг олохын тулд хэд хэдэн зангуу цэгүүдийг ашигладаг GPS систем гэж үзье. Сүлжээний гаралт нь радиаль суурь функцийг төлөөлдөг зангуу цэгүүдийн хослол юм.
Бид RBFN-ийг ашигласнаар нарийн төвөгтэй мэдээллийг үзэж, нөхцөл байдал хэрхэн өрнөх талаар нарийн таамаглал гаргаж чадна.
11. Олон давхаргат хүлээн авагчид (MLPs)
Олон давхаргат перцептрон (MLP) гэж нэрлэгддэг мэдрэлийн сүлжээний ердийн хэлбэрийг ангилал, регресс зэрэг хяналттай сургалтын даалгавруудад ашигладаг. Эдгээр нь холбогдсон зангилаа буюу нейронуудын хэд хэдэн давхаргыг давхарлаж, давхарга бүр нь ирж буй өгөгдлийг шугаман бус байдлаар өөрчилдөг.
MLP-д нейрон бүр доорх давхарга дахь мэдрэлийн эсүүдээс мэдээлэл авч, дээрх давхаргын нейронууд руу дохио илгээдэг. Нейрон бүрийн гаралтыг идэвхжүүлэх функцээр тодорхойлдог бөгөөд энэ нь сүлжээнд шугаман бус байдлыг өгдөг.
Тэд хэд хэдэн далд давхаргатай байж болох тул оролтын өгөгдлийн нарийн дүрслэлийг сурах чадвартай.
MLP-ийг сэтгэл хөдлөлийн шинжилгээ, залилан илрүүлэх, дуу хоолой, зургийг таних зэрэг олон төрлийн даалгаварт ашигласан. MLP-ийг хэцүү хэргийг илрүүлэхийн тулд хамтран ажилладаг хэсэг мөрдөн байцаагчтай зүйрлэж болно.
Тэд хамтдаа баримтуудыг нэгтгэж, тус бүр нь тодорхой чиглэлтэй байсан ч гэмт хэргийг илрүүлж чадна.
12. Convolutional Neural Networks (CNNs)
Зураг, видеог мэдрэлийн сүлжээний нэг хэлбэр болох convolutional neural network (CNN) ашиглан боловсруулдаг. Эдгээр нь оролтын өгөгдлөөс чухал шинж чанаруудыг гаргаж авахын тулд суралцах боломжтой шүүлтүүрүүд буюу цөмүүдийг ашиглан ажилладаг.
Шүүлтүүрүүд нь оролтын зураг дээр гулсаж, зургийн чухал талуудыг агуулсан онцлог газрын зургийг бүтээхийн тулд эргэлтүүдийг гүйцэтгэдэг.
CNN нь зургийн шинж чанаруудын шаталсан дүрслэлийг сурч чаддаг тул асар их хэмжээний харааны өгөгдөлтэй холбоотой нөхцөл байдалд ялангуяа тустай байдаг. Объект илрүүлэх, зургийг ангилах, нүүр царай илрүүлэх зэрэг хэд хэдэн програмууд тэдгээрийг ашигласан.
CNN-ийг хэд хэдэн бийр ашиглан шилдэг бүтээл хийдэг зураач гэж үзье. Бийр бүр нь цөм бөгөөд зураач олон цөмийг холих замаар нарийн төвөгтэй, бодит дүр төрхийг бий болгож чадна. Бид зурагнуудаас чухал шинж чанаруудыг гаргаж аваад CNN ашиглан зургийн агуулгыг нарийн урьдчилан таамаглахад ашиглах боломжтой.
13. Гүн итгэл үнэмшлийн сүлжээ (DBNs)
DBN нь хэмжээст байдлыг багасгах, онцлог шинж чанарыг судлах зэрэг хяналтгүй сургалтын даалгавруудад ашиглагддаг мэдрэлийн сүлжээний нэг хэлбэр юм. Эдгээр нь оролтын өгөгдлийг сэргээхэд суралцах чадвартай хоёр давхаргат мэдрэлийн сүлжээ болох Хязгаарлагдмал Больцман машинуудын (RBMs) хэд хэдэн давхаргыг давхарлаж ажилладаг.
DBN нь өндөр хэмжээст өгөгдлийн асуудалд маш ашигтай байдаг, учир нь тэд оролтын авсаархан бөгөөд үр дүнтэй дүрслэлийг сурч чаддаг. Эдгээрийг дуу хоолой танихаас эхлээд зургийг ангилах, мансууруулах бодис илрүүлэх зэрэг бүх зүйлд ашигладаг.
Жишээлбэл, судлаачид эмийн нэр дэвшигчдийн эстрогений рецептортой холбогдох хамаарлыг тооцоолохын тулд DBN ашигласан. DBN нь химийн шинж чанар, холбогдох хамаарлын цуглуулгад сургагдсан бөгөөд энэ нь шинэ эм нэр дэвшигчдийн холбогдох хамаарлыг нарийн урьдчилан таамаглах боломжтой болсон.
Энэ нь эмийн боловсруулалт болон бусад өндөр хэмжээст өгөгдлийн хэрэглээнд DBN-ийн хэрэглээг онцолж байна.
14. Автомат кодлогч
Автокодерууд нь хяналтгүй сургалтын даалгавруудад ашиглагддаг мэдрэлийн сүлжээ юм. Эдгээр нь оролтын өгөгдлүүдийг дахин бүтээх зорилготой бөгөөд энэ нь мэдээллийг авсаархан дүрслэл болгон кодлож сурах бөгөөд дараа нь анхны оролт руу буцааж код тайлж сурах болно гэсэн үг юм.
Автомат кодлогч нь өгөгдлийг шахах, дуу чимээг арилгах, гажиг илрүүлэхэд маш үр дүнтэй байдаг. Эдгээрийг мөн автомат кодлогчийн авсаархан дүрслэлийг хяналттай сургалтын даалгаварт оруулдаг онцлог шинж чанарыг судлахад ашиглаж болно.
Автокодлогчдыг ангидаа тэмдэглэл хийж буй сурагчид гэж үзье. Оюутан лекцийг сонсож, хамгийн чухал цэгүүдийг товч бөгөөд үр дүнтэй тэмдэглэнэ.
Хожим нь сурагч тэмдэглэлээ ашиглан хичээлээ судалж, санаж болно. Нөгөө талаас автомат кодлогч нь оролтын өгөгдлийг авсаархан дүрслэл болгон кодлодог бөгөөд үүнийг дараа нь гажиг илрүүлэх, өгөгдлийг шахах гэх мэт өөр өөр зорилгоор ашиглаж болно.
15. Хязгаарлагдмал Больцман машинууд (RBMs)
RBMs (Restricted Boltzmann Machines) нь хяналтгүй сургалтын даалгавруудад ашиглагддаг нэг төрлийн үүсгэгч мэдрэлийн сүлжээ юм. Тэдгээр нь харагдахуйц давхарга болон далд давхаргаас бүрдэх ба давхарга бүрт нейрон байдаг, хоорондоо холбогдсон боловч нэг давхарга дотор байдаггүй.
RBMs нь сургалтын өгөгдлийн магадлалыг оновчтой болгохын тулд харагдахуйц болон далд давхаргын хоорондох жинг өөрчлөх шаардлагатай ялгаатай ялгаа гэж нэрлэгддэг техникийг ашиглан сургагддаг. RBM нь сурсан тархалтаас түүвэрлэж сургагдсаны дараа шинэ өгөгдөл үүсгэж болно.
Зураг болон яриа таних, хамтарсан шүүлт, гажиг илрүүлэх зэрэг нь RBM ашигладаг програмууд юм. Эдгээрийг мөн хэрэглэгчийн зан төлөвийн хэв маягаас суралцах замаар тохирсон зөвлөмжийг бий болгохын тулд зөвлөмжийн системд ашигласан.
RBMs нь өндөр хэмжээст өгөгдлийн авсаархан бөгөөд үр ашигтай дүрслэлийг бий болгохын тулд онцлог шинж чанарыг судлахад ашигласан.
Төгсгөл ба ирээдүйтэй бүтээн байгуулалтууд тэнгэрийн хаяанд байна
Convolutional Neural Networks (CNNs) болон Recurrent Neural Networks (RNNs) зэрэг гүнзгий суралцах аргууд нь хиймэл оюун ухааны хамгийн дэвшилтэт аргуудын нэг юм. CNN нь зураг болон дууны таних чадварыг өөрчилсөн бол RNN нь байгалийн хэлээр боловсруулалт хийх, дараалсан өгөгдөлд дүн шинжилгээ хийх чиглэлээр нэлээд дэвшилттэй болсон.
Эдгээр аргын хувьслын дараагийн алхам нь тэдгээрийн үр ашиг, цар хүрээг нэмэгдүүлэх, илүү том, илүү төвөгтэй өгөгдлийн багцад дүн шинжилгээ хийх боломжийг олгохоос гадна тэдгээрийн тайлбарлах чадвар, бага шошготой өгөгдлөөс суралцах чадварыг сайжруулахад чиглэх бололтой.
Гүнзгий суралцах нь эрүүл мэнд, санхүү, бие даасан систем зэрэг салбарт ахиц дэвшил гаргах боломжийг олгодог.
хариу үлдээх