वर्षानुवर्षे, सखोल शिक्षण हे तंत्रज्ञानातील मथळे बनवत आहे. आणि, का ते समजून घेणे सोपे आहे.
आर्टिफिशियल इंटेलिजन्सची ही शाखा आरोग्यसेवेपासून बँकिंगपर्यंतच्या क्षेत्रांमध्ये बदल घडवून आणत आहे, ज्यामुळे पूर्वी अकल्पनीय प्रगती होऊ शकते.
सखोल शिक्षण अत्याधुनिक अल्गोरिदमच्या संचावर तयार केले आहे जे मोठ्या प्रमाणात डेटामधून क्लिष्ट पॅटर्न काढणे आणि अंदाज करणे शिकते.
आम्ही या पोस्टमध्ये सर्वोत्कृष्ट 15 डीप लर्निंग अल्गोरिदम पाहू, कॉन्व्होल्युशनल न्यूरल नेटवर्क्सपासून जनरेटिव्ह अॅडव्हर्सरियल नेटवर्क्स ते लाँग शॉर्ट-टर्म मेमरी नेटवर्क्सपर्यंत.
हे पोस्ट तुम्ही आहात की नाही याबद्दल आवश्यक अंतर्दृष्टी देईल नवशिक्या किंवा सखोल शिक्षणात तज्ञ.
1. ट्रान्सफॉर्मर नेटवर्क्स
ट्रान्सफॉर्मर नेटवर्क बदलले आहेत संगणक दृष्टी आणि नैसर्गिक भाषा प्रक्रिया (NLP) अनुप्रयोग. ते येणार्या डेटाचे विश्लेषण करतात आणि दीर्घ-श्रेणी संबंध कॅप्चर करण्यासाठी लक्ष प्रक्रिया वापरतात. हे त्यांना पारंपारिक अनुक्रम-ते-अनुक्रम मॉडेलपेक्षा जलद बनवते.
ट्रान्सफॉर्मर नेटवर्कचे वर्णन प्रथम वासवानी एट अल यांच्या "लक्ष इज ऑल यू नीड" या प्रकाशनात करण्यात आले.
त्यात एन्कोडर आणि डीकोडर (2017) असतात. ट्रान्सफॉर्मर मॉडेलने विविध एनएलपी ऍप्लिकेशन्समध्ये कार्यप्रदर्शन प्रदर्शित केले आहे, यासह भावना विश्लेषण, मजकूर वर्गीकरण आणि मशीन भाषांतर.
ट्रान्सफॉर्मर-आधारित मॉडेल्सचा उपयोग अनुप्रयोगांसाठी संगणक दृष्टीमध्ये देखील केला जाऊ शकतो. ते ऑब्जेक्ट ओळखणे आणि प्रतिमा कॅप्शनिंग करू शकतात.
2. लाँग शॉर्ट-टर्म मेमरी नेटवर्क (LSTM)
लाँग शॉर्ट-टर्म मेमरी नेटवर्क्स (LSTM) हे एक प्रकार आहेत मज्जासंस्थेसंबंधीचा नेटवर्क विशेषतः अनुक्रमिक इनपुट हाताळण्यासाठी तयार केलेले. त्यांना "दीर्घकालीन अल्पकालीन" म्हणून संबोधले जाते कारण ते अनावश्यक माहिती विसरून खूप पूर्वीचे ज्ञान आठवू शकतात.
LSTM काही "गेट्स" द्वारे कार्य करतात जे नेटवर्कमधील माहितीचा प्रवाह नियंत्रित करतात. माहिती महत्त्वाची आहे की नाही यावर अवलंबून, हे गेट्स एकतर तिला आत येऊ देऊ शकतात किंवा प्रतिबंधित करू शकतात.
हे तंत्र LSTM ला भूतकाळातील स्टेप्समधील माहिती आठवण्यास किंवा विसरण्यास सक्षम करते, जे स्पीच रेकग्निशन, नैसर्गिक भाषा प्रक्रिया आणि वेळ मालिका अंदाज यासारख्या कार्यांसाठी महत्त्वपूर्ण आहे.
LSTMs कोणत्याही परिस्थितीत अत्यंत फायदेशीर आहेत जेथे तुमच्याकडे अनुक्रमिक डेटा आहे ज्याचे मूल्यमापन किंवा अंदाज करणे आवश्यक आहे. त्यांचा वापर अनेकदा व्हॉइस रेकग्निशन सॉफ्टवेअरमध्ये मजकूरात किंवा शब्दांमध्ये रूपांतरित करण्यासाठी केला जातो शेअर बाजार मागील डेटावर आधारित भविष्यातील किमतींचा अंदाज घेण्यासाठी विश्लेषण.
3. सेल्फ ऑर्गनाइझिंग मॅप्स (SOMs)
SOMs हे एक प्रकारचे कृत्रिम असतात न्यूरल नेटवर्क जे शिकू शकते आणि कमी-आयामी वातावरणात क्लिष्ट डेटाचे प्रतिनिधित्व करते. ही पद्धत उच्च-आयामी इनपुट डेटाचे द्विमितीय ग्रिडमध्ये रूपांतर करून कार्य करते, प्रत्येक युनिट किंवा न्यूरॉन इनपुट स्पेसच्या वेगळ्या भागाचे प्रतिनिधित्व करतात.
न्यूरॉन्स एकमेकांशी जोडलेले असतात आणि एक टोपोलॉजिकल रचना तयार करतात, ज्यामुळे ते इनपुट डेटा शिकू शकतात आणि समायोजित करू शकतात. तर, SOM हे पर्यवेक्षण न केलेल्या शिक्षणावर आधारित आहे.
अल्गोरिदमची गरज नाही लेबल केलेला डेटा पासून शिकण्यासाठी. त्याऐवजी, व्हेरिएबल्समधील नमुने आणि सहसंबंध शोधण्यासाठी ते इनपुट डेटाच्या सांख्यिकीय वैशिष्ट्यांचा वापर करते.
प्रशिक्षण टप्प्यात, न्यूरॉन्स इनपुट डेटाचे सर्वोत्तम संकेत म्हणून स्पर्धा करतात. आणि, ते अर्थपूर्ण संरचनेत स्व-संघटित होतात. SOMs मध्ये इमेज आणि स्पीच रेकग्निशन, डेटा मायनिंग आणि पॅटर्न रिकग्निशन यासह अनेक प्रकारचे अॅप्लिकेशन्स आहेत.
साठी उपयुक्त आहेत क्लिष्ट डेटा दृश्यमान करणे, संबंधित डेटा पॉइंट्सचे क्लस्टरिंग, आणि असामान्यता किंवा आउटलियर शोधणे.
4. खोल मजबुतीकरण शिक्षण
खोल मजबुतीकरण शिक्षण एक प्रकारचे मशीन लर्निंग आहे ज्यामध्ये एजंटला बक्षीस प्रणालीवर आधारित निर्णय घेण्याचे प्रशिक्षण दिले जाते. हे एजंटला त्याच्या सभोवतालच्या वातावरणाशी संवाद साधू देऊन आणि चाचणी आणि त्रुटीद्वारे शिकू देऊन कार्य करते.
एजंटला त्याच्या प्रत्येक कृतीसाठी पुरस्कृत केले जाते आणि त्याचा उद्देश कालांतराने त्याचे फायदे कसे ऑप्टिमाइझ करायचे हे शिकणे हा आहे. याचा वापर एजंटना गेम खेळायला, ऑटोमोबाईल चालवायला आणि रोबोट्स व्यवस्थापित करायला शिकवण्यासाठी केला जाऊ शकतो.
क्यू-लर्निंग ही एक सुप्रसिद्ध डीप रीइन्फोर्समेंट लर्निंग पद्धत आहे. हे एखाद्या विशिष्ट स्थितीत विशिष्ट क्रिया करण्याच्या मूल्याचे मूल्यांकन करून आणि एजंट पर्यावरणाशी संवाद साधत असताना तो अंदाज अद्यतनित करून कार्य करते.
एजंट नंतर या अंदाजांचा वापर करून कोणत्या क्रियेमुळे सर्वात मोठे बक्षीस मिळण्याची शक्यता आहे हे निर्धारित करते. एजंटना अटारी गेम खेळण्यासाठी शिक्षित करण्यासाठी तसेच डेटा सेंटर्समध्ये उर्जेचा वापर सुधारण्यासाठी Q-Learning चा वापर करण्यात आला आहे.
डीप क्यू-नेटवर्क ही आणखी एक प्रसिद्ध डीप रीइन्फोर्समेंट लर्निंग पद्धत (DQN) आहे. DQN हे Q-Learning सारखेच आहेत कारण ते टेबल ऐवजी खोल न्यूरल नेटवर्क वापरून क्रिया मूल्यांचा अंदाज लावतात.
हे त्यांना असंख्य पर्यायी क्रियांसह प्रचंड, जटिल सेटिंग्ज हाताळण्यास सक्षम करते. गो आणि डोटा 2 सारखे गेम खेळण्यासाठी एजंटना प्रशिक्षण देण्यासाठी तसेच चालायला शिकू शकणारे रोबोट तयार करण्यासाठी DQN चा वापर केला गेला आहे.
5. रिकरंट न्यूरल नेटवर्क्स (RNNs)
RNN हे एक प्रकारचे न्यूरल नेटवर्क आहेत जे अंतर्गत स्थिती ठेवताना अनुक्रमिक डेटावर प्रक्रिया करू शकतात. एखाद्या व्यक्तीने पुस्तक वाचल्याप्रमाणेच त्याचा विचार करा, जिथे प्रत्येक शब्द त्याच्या आधी आलेल्या शब्दांच्या संदर्भात पचला जातो.
त्यामुळे उच्चार ओळखणे, भाषेचे भाषांतर करणे आणि वाक्यांशातील पुढील शब्दाचा अंदाज लावणे यासारख्या कामांसाठी RNN आदर्श आहेत.
RNNs फीडबॅक लूप वापरून कार्य करतात प्रत्येक वेळेचे आउटपुट पुढच्या वेळेच्या स्टेपच्या इनपुटशी जोडण्यासाठी. हे नेटवर्कला भविष्यातील वेळेच्या पायऱ्यांबद्दलच्या अंदाजांची माहिती देण्यासाठी आधीच्या वेळेची माहिती वापरण्यास सक्षम करते. दुर्दैवाने, याचा अर्थ असा देखील होतो की RNNs अदृश्य होत असलेल्या ग्रेडियंट समस्येसाठी असुरक्षित आहेत, ज्यामध्ये प्रशिक्षणासाठी वापरलेले ग्रेडियंट खूपच लहान होतात आणि नेटवर्क दीर्घकालीन संबंध शिकण्यासाठी संघर्ष करत आहे.
ही स्पष्ट मर्यादा असूनही, RNN चा वापर विस्तृत अनुप्रयोगांमध्ये आढळला आहे. या ऍप्लिकेशन्समध्ये नैसर्गिक भाषा प्रक्रिया, उच्चार ओळखणे आणि अगदी संगीत निर्मिती समाविष्ट आहे.
गूगल भाषांतर, उदाहरणार्थ, सर्व भाषांमध्ये भाषांतर करण्यासाठी RNN-आधारित प्रणाली वापरते, तर Siri, आभासी सहाय्यक, आवाज शोधण्यासाठी RNN-आधारित प्रणाली वापरते. RNN चा वापर स्टॉकच्या किमतींचा अंदाज लावण्यासाठी आणि वास्तववादी मजकूर आणि ग्राफिक्स तयार करण्यासाठी केला गेला आहे.
6. कॅप्सूल नेटवर्क
कॅप्सूल नेटवर्क्स हे न्यूरल नेटवर्क डिझाइनचे एक नवीन प्रकार आहे जे डेटामधील नमुने आणि सहसंबंध अधिक प्रभावीपणे ओळखू शकतात. ते "कॅप्सूल" मध्ये न्यूरॉन्सचे आयोजन करतात जे इनपुटच्या काही पैलूंना एन्कोड करतात.
अशा प्रकारे ते अधिक अचूक अंदाज बांधू शकतात. कॅप्सूल नेटवर्क्स इनपुट डेटामधून कॅप्सूलचे असंख्य स्तर वापरून उत्तरोत्तर गुंतागुंतीचे गुणधर्म काढतात.
कॅप्सूल नेटवर्कचे तंत्र त्यांना दिलेल्या इनपुटचे श्रेणीबद्ध प्रतिनिधित्व शिकण्यास सक्षम करते. ते कॅप्सूल दरम्यान संप्रेषण करून चित्रातील वस्तूंमधील स्थानिक कनेक्शन योग्यरित्या एन्कोड करू शकतात.
ऑब्जेक्ट आयडेंटिफिकेशन, पिक्चर सेगमेंटेशन आणि नैसर्गिक भाषा प्रक्रिया हे सर्व कॅप्सूल नेटवर्कचे ऍप्लिकेशन आहेत.
कॅप्सूल नेटवर्कमध्ये काम करण्याची क्षमता आहे स्वायत्त वाहन चालविणे तंत्रज्ञान ते ऑटोमोबाईल्स, लोक आणि रहदारी चिन्हे यासारख्या वस्तू ओळखण्यात आणि फरक करण्यात सिस्टमला मदत करतात. या प्रणाली त्यांच्या वातावरणातील वस्तूंच्या वर्तनाबद्दल अधिक अचूक अंदाज बांधून टक्कर टाळू शकतात.
7. व्हेरिएशनल ऑटोएनकोडर (VAEs)
VAEs हे सखोल शिक्षण साधनाचे एक प्रकार आहे जे पर्यवेक्षी नसलेल्या शिक्षणासाठी वापरले जाते. कमी-आयामी जागेत डेटा एन्कोड करून आणि नंतर मूळ स्वरूपात डीकोड करून, ते डेटामधील नमुने शोधण्यास शिकू शकतात.
ते एका जादूगारासारखे आहेत जे सशाला टोपीमध्ये बदलू शकतात आणि नंतर बनीमध्ये बदलू शकतात! वास्तववादी व्हिज्युअल किंवा संगीत तयार करण्यासाठी VAE फायदेशीर आहेत. आणि, ते नवीन डेटा तयार करण्यासाठी वापरले जाऊ शकतात जे मूळ डेटाशी तुलना करता येतील.
VAE गुप्त कोडब्रेकरसारखेच असतात. ते अंतर्निहित शोधू शकतात डेटाची रचना साध्या तुकड्यांमध्ये त्याचे विभाजन करून, जसे की कोडे तोडले जाते. भागांची क्रमवारी लावल्यानंतर मूळ सारखा दिसणारा नवीन डेटा तयार करण्यासाठी ते त्या माहितीचा वापर करू शकतात.
हे प्रचंड फायली संकुचित करण्यासाठी किंवा विशिष्ट शैलीमध्ये नवीन ग्राफिक्स किंवा संगीत तयार करण्यासाठी सुलभ असू शकते. VAE देखील नवीन सामग्री तयार करू शकतात, जसे की बातम्या किंवा संगीत गीत.
8. जनरेटिव्ह अॅडव्हर्सरियल नेटवर्क्स (GANs)
GANs (जनरेटिव्ह अॅडव्हर्सरियल नेटवर्क) हे सखोल शिक्षण प्रणालीचे एक रूप आहे जे मूळ सारखाच नवीन डेटा तयार करते. ते दोन नेटवर्कचे प्रशिक्षण देऊन कार्य करतात: एक जनरेटर आणि एक भेदभाव करणारे नेटवर्क.
जनरेटर नवीन डेटा तयार करतो जो मूळशी तुलना करता येतो.
आणि, भेदक मूळ आणि तयार केलेल्या डेटामध्ये फरक करण्याचा प्रयत्न करतो. जनरेटर भेदभाव करणार्याला फसवण्याचा प्रयत्न करत असून भेदभाव करणारा मूळ डेटा योग्यरितीने ओळखण्याचा प्रयत्न करून दोन नेटवर्क्सना एकत्रितपणे प्रशिक्षित केले जाते.
GAN ला बनावट आणि गुप्तहेर यांच्यातील क्रॉस समजा. जनरेटर बनावटीप्रमाणेच कार्य करतो, मूळ कलाकृतींसारखी नवीन कलाकृती तयार करतो.
भेदभाव करणारा एक गुप्तहेर म्हणून काम करतो, अस्सल कलाकृती आणि बनावट यातील फरक ओळखण्याचा प्रयत्न करतो. जनरेटर प्रशंसनीय बनावट बनवण्यात आणि भेदभाव करणारा त्यांना ओळखण्यात सुधारणा करून, दोन नेटवर्क्सना एकत्रितपणे प्रशिक्षित केले जाते.
GAN चे अनेक उपयोग आहेत, ज्यात मानव किंवा प्राण्यांची वास्तववादी चित्रे तयार करण्यापासून ते नवीन संगीत किंवा लेखन तयार करणे. ते डेटा ऑगमेंटेशनसाठी देखील वापरले जाऊ शकतात, ज्यामध्ये मशीन लर्निंग मॉडेल प्रशिक्षणासाठी एक मोठा डेटासेट तयार करण्यासाठी वास्तविक डेटासह उत्पादित डेटा एकत्र करणे समाविष्ट आहे.
9. डीप क्यू-नेटवर्क्स (DQNs)
डीप क्यू-नेटवर्क्स (DQNs) हे एक प्रकारचे निर्णय घेण्याचे मजबुतीकरण शिक्षण अल्गोरिदम आहेत. ते क्यू-फंक्शन शिकून कार्य करतात जे विशिष्ट स्थितीत एखादी विशिष्ट क्रिया करण्यासाठी अपेक्षित प्रतिफळाचा अंदाज लावतात.
क्यू-फंक्शन चाचणी आणि त्रुटीद्वारे शिकवले जाते, अल्गोरिदम विविध क्रियांचा प्रयत्न करते आणि परिणामांमधून शिकते.
याचा विचार करा अ व्हिडिओ गेम विविध कृतींचे प्रयोग करणारे पात्र आणि कोणते यश मिळवून देतात ते शोधून काढणे! DQNs सखोल न्यूरल नेटवर्क वापरून Q-फंक्शनला प्रशिक्षित करतात, ज्यामुळे ते कठीण निर्णय घेण्याच्या कार्यांसाठी प्रभावी साधन बनतात.
त्यांनी गो आणि बुद्धिबळ यांसारख्या खेळांमध्ये तसेच रोबोटिक्स आणि सेल्फ-ड्रायव्हिंग ऑटोमोबाईलमध्ये मानवी चॅम्पियन्सचा पराभव केला आहे. त्यामुळे, एकंदरीत, DQNs वेळोवेळी त्यांचे निर्णय घेण्याची कौशल्ये वाढवण्यासाठी अनुभवातून शिकून कार्य करतात.
10. रेडियल बेसिस फंक्शन नेटवर्क (RBFNs)
रेडियल बेसिस फंक्शन नेटवर्क (RBFNs) हे एक प्रकारचे न्यूरल नेटवर्क आहे जे अंदाजे कार्ये आणि वर्गीकरण कार्ये करण्यासाठी वापरले जाते. ते रेडियल बेस फंक्शन्सचा संग्रह वापरून इनपुट डेटाचे उच्च-आयामी जागेत रूपांतर करून कार्य करतात.
नेटवर्कचे आउटपुट हे बेस फंक्शन्सचे रेखीय संयोजन आहे आणि प्रत्येक रेडियल बेस फंक्शन इनपुट स्पेसमधील केंद्रबिंदू दर्शवते.
RBFNs विशेषतः क्लिष्ट इनपुट-आउटपुट परस्परसंवाद असलेल्या परिस्थितीसाठी प्रभावी आहेत आणि ते पर्यवेक्षी आणि पर्यवेक्षित शिक्षणासह विस्तृत तंत्रांचा वापर करून शिकवले जाऊ शकतात. ते आर्थिक अंदाजांपासून ते चित्र आणि उच्चार ओळखण्यापासून ते वैद्यकीय निदानापर्यंत कोणत्याही गोष्टीसाठी वापरले गेले आहेत.
RBFN चा GPS सिस्टीम म्हणून विचार करा जी आव्हानात्मक भूभागावर मार्ग शोधण्यासाठी अँकर पॉइंट्सची मालिका वापरते. नेटवर्कचे आउटपुट हे अँकर पॉइंट्सचे संयोजन आहे, जे रेडियल बेस फंक्शन्ससाठी उभे असतात.
आम्ही क्लिष्ट माहिती ब्राउझ करू शकतो आणि RBFN चा वापर करून परिस्थिती कशी तयार होईल याबद्दल अचूक अंदाज तयार करू शकतो.
11. मल्टीलेअर परसेप्ट्रॉन्स (MLPs)
मल्टीलेयर परसेप्ट्रॉन (MLP) नावाच्या तंत्रिका नेटवर्कचा एक विशिष्ट प्रकार वर्गीकरण आणि प्रतिगमन यांसारख्या पर्यवेक्षित शिक्षण कार्यांसाठी वापरला जातो. ते लिंक्ड नोड्स किंवा न्यूरॉन्सचे अनेक स्तर स्टॅक करून कार्य करतात, प्रत्येक लेयर नॉनलाइनरीली इनकमिंग डेटा बदलतात.
एमएलपीमध्ये, प्रत्येक न्यूरॉनला खालील स्तरातील न्यूरॉन्समधून इनपुट मिळते आणि वरील स्तरातील न्यूरॉन्सला सिग्नल पाठवते. प्रत्येक न्यूरॉनचे आउटपुट सक्रियकरण कार्य वापरून निर्धारित केले जाते, जे नेटवर्कला नॉनलाइनरिटी देते.
ते इनपुट डेटाचे अत्याधुनिक प्रतिनिधित्व शिकण्यास सक्षम आहेत कारण त्यांच्याकडे अनेक लपलेले स्तर असू शकतात.
भावनांचे विश्लेषण, फसवणूक शोधणे आणि आवाज आणि चित्र ओळखणे यासारख्या विविध कार्यांसाठी MLPs लागू केले आहेत. एमएलपीची तुलना एखाद्या कठीण प्रकरणाचा छडा लावण्यासाठी एकत्र काम करणाऱ्या तपासकर्त्यांच्या गटाशी केली जाऊ शकते.
प्रत्येकाचे विशिष्ट क्षेत्र असूनही ते एकत्रितपणे तथ्ये एकत्र करू शकतात आणि गुन्ह्याची उकल करू शकतात.
12. कॉन्व्होल्युशनल न्यूरल नेटवर्क्स (CNNs)
इमेजेस आणि व्हिडिओंवर कन्व्होल्युशनल न्यूरल नेटवर्क्स (CNNs), न्यूरल नेटवर्कचा एक प्रकार वापरून प्रक्रिया केली जाते. इनपुट डेटामधून महत्त्वपूर्ण वैशिष्ट्ये काढण्यासाठी ते शिकण्यायोग्य फिल्टर्स किंवा कर्नलचा संच वापरून कार्य करतात.
फिल्टर इनपुट चित्रावर सरकतात, प्रतिमेचे आवश्यक पैलू कॅप्चर करणार्या वैशिष्ट्याचा नकाशा तयार करण्यासाठी संकल्पना कार्यान्वित करतात.
CNN चित्र वैशिष्ट्यांचे श्रेणीबद्ध प्रतिनिधित्व शिकण्यास सक्षम असल्याने, ते दृश्य डेटाच्या प्रचंड प्रमाणात समाविष्ट असलेल्या परिस्थितींसाठी विशेषतः उपयुक्त आहेत. अनेक ऍप्लिकेशन्सनी त्यांचा वापर केला आहे, जसे की ऑब्जेक्ट डिटेक्शन, पिक्चर वर्गीकरण आणि फेस डिटेक्शन.
एक उत्कृष्ट नमुना तयार करण्यासाठी अनेक ब्रशेस वापरणारा चित्रकार म्हणून CNN चा विचार करा. प्रत्येक ब्रश एक कर्नल आहे आणि कलाकार अनेक कर्नल मिसळून एक जटिल, वास्तववादी प्रतिमा तयार करू शकतो. आम्ही फोटोंमधून महत्त्वाची वैशिष्ट्ये काढू शकतो आणि CNN चा वापर करून प्रतिमेतील मजकुराचा अचूक अंदाज घेण्यासाठी त्यांचा वापर करू शकतो.
13. डीप बिलीफ नेटवर्क्स (DBNs)
DBN हे न्यूरल नेटवर्कचा एक प्रकार आहे ज्याचा वापर पर्यवेक्षित नसलेल्या शिक्षण कार्यांसाठी केला जातो जसे की आयाम कमी करणे आणि वैशिष्ट्य शिक्षण. ते प्रतिबंधित बोल्टझमन मशीन्स (RBMs) चे अनेक स्तर स्टॅक करून कार्य करतात, जे दोन-स्तर न्यूरल नेटवर्क आहेत जे इनपुट डेटाची पुनर्रचना करण्यास शिकण्यास सक्षम आहेत.
उच्च-आयामी डेटा समस्यांसाठी DBN खूप फायदेशीर आहेत कारण ते इनपुटचे संक्षिप्त आणि कार्यक्षम प्रतिनिधित्व शिकू शकतात. आवाज ओळखण्यापासून ते चित्र वर्गीकरण ते औषध शोधापर्यंत कोणत्याही गोष्टीसाठी त्यांचा वापर केला गेला आहे.
उदाहरणार्थ, एस्ट्रोजेन रिसेप्टरशी औषधी उमेदवारांच्या बंधनकारक आत्मीयतेचा अंदाज घेण्यासाठी संशोधकांनी डीबीएनचा वापर केला. DBN ला रासायनिक वैशिष्ट्ये आणि बंधनकारक आत्मीयतेच्या संग्रहावर प्रशिक्षित केले गेले होते आणि ते नवीन औषध उमेदवारांच्या बंधनकारक आत्मीयतेचा अचूक अंदाज लावण्यास सक्षम होते.
हे औषध विकास आणि इतर उच्च-आयामी डेटा अनुप्रयोगांमध्ये DBN चा वापर हायलाइट करते.
14. ऑटोएनकोडर्स
ऑटोएनकोडर्स हे न्यूरल नेटवर्क्स आहेत ज्यांचा वापर पर्यवेक्षित नसलेल्या शिक्षण कार्यांसाठी केला जातो. ते इनपुट डेटाची पुनर्रचना करण्याच्या उद्देशाने आहेत, ज्याचा अर्थ असा आहे की ते माहिती एका संक्षिप्त प्रतिनिधित्वामध्ये एन्कोड करण्यास शिकतील आणि नंतर ते मूळ इनपुटमध्ये डीकोड करतील.
डेटा कॉम्प्रेशन, आवाज काढणे आणि विसंगती शोधण्यासाठी ऑटोएनकोडर खूप प्रभावी आहेत. ते वैशिष्ट्य शिक्षणासाठी देखील वापरले जाऊ शकतात, जेथे ऑटोएनकोडरचे संक्षिप्त प्रतिनिधित्व पर्यवेक्षी शिक्षण कार्यात दिले जाते.
वर्गात नोट्स घेणारे विद्यार्थी म्हणून ऑटोएनकोडरचा विचार करा. विद्यार्थी व्याख्यान ऐकतो आणि सर्वात संबंधित मुद्दे संक्षिप्त आणि कार्यक्षम पद्धतीने लिहितो.
नंतर, विद्यार्थी त्यांच्या नोट्स वापरून अभ्यास करू शकतो आणि धडा लक्षात ठेवू शकतो. एक ऑटोएनकोडर, दुसरीकडे, इनपुट डेटाला कॉम्पॅक्ट प्रेझेंटेशनमध्ये एन्कोड करतो जे नंतर विसंगती शोधणे किंवा डेटा कॉम्प्रेशन सारख्या विविध कारणांसाठी वापरले जाऊ शकते.
15. प्रतिबंधित बोल्टझमन मशीन्स (RBMs)
RBMs (प्रतिबंधित बोल्टझमन मशीन्स) हे एक प्रकारचे जनरेटिव्ह न्यूरल नेटवर्क आहे जे पर्यवेक्षण न केलेल्या शिक्षण कार्यांसाठी वापरले जाते. ते दृश्यमान स्तर आणि लपविलेले स्तर बनलेले असतात, प्रत्येक स्तरामध्ये न्यूरॉन्स असतात, जोडलेले असतात परंतु समान स्तरामध्ये नसतात.
RBM ला विरोधाभासी विचलन म्हणून ओळखले जाणारे तंत्र वापरून प्रशिक्षित केले जाते, ज्यामध्ये प्रशिक्षण डेटाची संभाव्यता ऑप्टिमाइझ करण्यासाठी दृश्यमान आणि लपविलेल्या स्तरांमधील वजन बदलणे आवश्यक आहे. RBM शिकलेल्या वितरणातून नमुने घेऊन प्रशिक्षित झाल्यानंतर नवीन डेटा तयार करू शकतात.
इमेज आणि स्पीच रेकग्निशन, सहयोगी फिल्टरिंग आणि विसंगती शोधणे हे सर्व अॅप्लिकेशन्स आहेत ज्यांनी RBM चा वापर केला आहे. वापरकर्त्याच्या वर्तनातून नमुने शिकून तयार केलेल्या शिफारशी तयार करण्यासाठी त्यांचा वापर शिफारस प्रणालींमध्ये देखील केला गेला आहे.
उच्च-आयामी डेटाचे संक्षिप्त आणि कार्यक्षम प्रतिनिधित्व तयार करण्यासाठी वैशिष्ट्य शिक्षणामध्ये RBM चा वापर केला गेला आहे.
रॅप-अप आणि क्षितिजावरील आश्वासक विकास
कन्व्होल्यूशनल न्यूरल नेटवर्क्स (सीएनएन) आणि रिकरंट न्यूरल नेटवर्क्स (आरएनएन) यासारख्या सखोल शिक्षण पद्धती, कृत्रिम बुद्धिमत्ता असलेल्या सर्वात प्रगत पद्धतींपैकी एक आहेत. CNN ने चित्र आणि ऑडिओ ओळख बदलले आहे, तर RNN ने नैसर्गिक भाषा प्रक्रिया आणि अनुक्रमिक डेटा विश्लेषणामध्ये लक्षणीय प्रगती केली आहे.
या पध्दतींच्या उत्क्रांतीची पुढील पायरी म्हणजे त्यांची कार्यक्षमता आणि स्केलेबिलिटी सुधारण्यावर लक्ष केंद्रित करणे, त्यांना मोठ्या आणि अधिक क्लिष्ट डेटासेटचे विश्लेषण करण्याची परवानगी देणे, तसेच त्यांची व्याख्या आणि कमी लेबल केलेल्या डेटामधून शिकण्याची क्षमता वाढवणे.
सखोल शिक्षणामध्ये हेल्थकेअर, फायनान्स आणि स्वायत्त प्रणाली यांसारख्या क्षेत्रात प्रगती होत असताना प्रगती करण्याची शक्यता असते.
प्रत्युत्तर द्या