Għal snin sħaħ, it-tagħlim profond ilu jagħmel l-aħbarijiet fit-teknoloġija. U, huwa sempliċi li tifhem għaliex.
Din il-fergħa tal-intelliġenza artifiċjali qed tittrasforma setturi li jvarjaw mill-kura tas-saħħa għal servizzi bankarji għat-trasport, li tippermetti avvanzi li qabel ma kinux konċepibbli.
It-tagħlim fil-fond huwa mibni fuq sett ta’ algoritmi sofistikati li jitgħallmu estratt u jbassru mudelli kkumplikati minn volumi massivi ta’ data.
Aħna ser inħarsu lejn l-aħjar 15-il algoritmu ta' tagħlim profond f'din il-kariga, minn Netwerks Neurali Konvoluzzjonali għal Netwerks Avversarji Ġenerattivi għal netwerks ta' Memorja għal Terminu Qasir.
Din il-kariga se tagħti għarfien essenzjali dwar jekk intix a Bidu jew espert fit-tagħlim profond.
1. Netwerks tat-Transformers
In-netwerks tat-trasformaturi ttrasformaw viżjoni tal-kompjuter u applikazzjonijiet għall-ipproċessar tal-lingwa naturali (NLP). Huma janalizzaw id-data li dieħla u jimpjegaw proċessi ta 'attenzjoni biex jaqbdu relazzjonijiet fuq medda twila. Dan jagħmilhom aktar malajr minn mudelli konvenzjonali minn sekwenza għal sekwenza.
In-netwerks tat-trasformaturi ġew deskritti għall-ewwel darba fil-pubblikazzjoni "L-attenzjoni hija kulma għandek bżonn" minn Vaswani et al.
Huma jikkonsistu minn encoder u decoder (2017). Il-mudell tat-transformer wera prestazzjoni f'varjetà ta 'applikazzjonijiet NLP, inklużi analiżi ta 'sentiment, kategorizzazzjoni tat-test, u traduzzjoni awtomatika.
Mudelli bbażati fuq transformer jistgħu wkoll jiġu utilizzati fil-viżjoni tal-kompjuter għall-applikazzjonijiet. Jistgħu jwettqu rikonoxximent tal-oġġett u captioning tal-immaġni.
2. Netwerks ta' Memorja fit-Tul-Qasira (LSTMs)
Netwerks tal-Memorja fit-Tul Qasira (LSTMs) huma forma ta newrali netwerk speċjalment mibnija biex jimmaniġġaw input sekwenzjali. Dawn jissejħu "terminu qasir fit-tul" għaliex jistgħu jfakkru għarfien minn żmien twil ilu filwaqt li jinsew ukoll informazzjoni mhux meħtieġa.
L-LSTMs joperaw permezz ta 'xi "xtiebi" li jirregolaw il-fluss ta' informazzjoni ġewwa n-netwerk. Skont jekk l-informazzjoni hijiex iġġudikata sinifikanti jew le, dawn il-gradi jistgħu jew iħalluha tidħol jew jevitawha.
Din it-teknika tippermetti lill-LSTMs li jfakkru jew jinsew informazzjoni minn passi tal-ħin tal-imgħoddi, li hija kritika għal kompiti bħar-rikonoxximent tad-diskors, l-ipproċessar tal-lingwa naturali, u t-tbassir tas-serje tal-ħin.
L-LSTMs huma ta' benefiċċju kbir fi kwalunkwe każ fejn għandek dejta sekwenzjali li trid tiġi evalwata jew imbassra. Ħafna drabi jintużaw f'softwer ta' rikonoxximent tal-vuċi biex jikkonvertu kliem mitkellem f'test, jew fi istokk tas-suq analiżi biex tbassar prezzijiet futuri bbażati fuq data preċedenti.
3. Mapep li jorganizzaw lilhom infushom (SOMs)
SOMs huma tip ta' artifiċjali netwerk newrali li jista 'jitgħallem u jirrappreżentaw data kkumplikata f'ambjent ta' dimensjoni baxxa. Il-metodu jopera billi jittrasforma data tad-dħul ta 'dimensjonali għolja fi grid bidimensjonali, b'kull unità jew newron tirrappreżenta parti differenti tal-ispazju tal-input.
In-newroni huma marbuta flimkien u joħolqu struttura topoloġika, li tippermettilhom jitgħallmu u jaġġustaw għad-dejta tal-input. Allura, SOM hija bbażata fuq tagħlim mhux sorveljat.
L-algoritmu m'għandux bżonn data ttikkettjata biex titgħallem minn. Minflok, juża l-karatteristiċi statistiċi tad-dejta tal-input biex jiskopri mudelli u korrelazzjonijiet fost il-varjabbli.
Matul l-istadju tat-taħriġ, in-newroni jikkompetu biex ikunu l-aħjar indikazzjoni tad-dejta tal-input. U, huma jorganizzaw lilhom infushom fi struttura sinifikanti. Is-SOMs għandhom firxa wiesgħa ta 'applikazzjonijiet, inklużi r-rikonoxximent tal-immaġni u d-diskors, it-tħaffir tad-dejta, u r-rikonoxximent tal-mudelli.
Huma utli għal viżwalizzazzjoni ta' data kkumplikata, jiġbru l-punti tad-dejta relatati, u jiskopru anormalitajiet jew outliers.
4. Tagħlim ta' Tisħiħ Profond
deep Tisħiħ tat-Tagħlim hija tip ta 'tagħlim tal-magni li fih aġent huwa mħarreġ biex jieħu deċiżjonijiet ibbażati fuq sistema ta' premju. Hija tiffunzjona billi tħalli l-aġent jinteraġixxi ma 'madwaru u jitgħallem permezz ta' prova u żball.
L-aġent huwa ppremjat għal kull azzjoni li jagħmel, u l-iskop tiegħu huwa li jitgħallem kif jottimizza l-benefiċċji tiegħu maż-żmien. Dan jista 'jintuża biex jgħallem lill-aġenti jilagħbu logħob, isuqu karozzi, u anke jimmaniġġjaw robots.
Q-Learning huwa metodu Deep Reinforcement Tagħlim magħruf sew. Topera billi tevalwa l-valur li tagħmel ċerta azzjoni fi stat partikolari u taġġorna dik l-istima hekk kif l-aġent jinteraġixxi mal-ambjent.
L-aġent imbagħad juża dawn l-istimi biex jiddetermina liema azzjoni x'aktarx tirriżulta fl-akbar premju. Q-Learning intuża biex jeduka lill-aġenti biex jilagħbu logħob Atari, kif ukoll biex itejjeb l-użu tal-enerġija fiċ-ċentri tad-dejta.
Deep Q-Networks huwa metodu ieħor famuż ta' Deep Reinforcement Learning (DQN). DQNs huma simili għal Q-Learning peress li jistmaw il-valuri ta 'azzjoni bl-użu ta' netwerk newrali profond aktar milli tabella.
Dan jippermettilhom jittrattaw settings kbar u kkumplikati b'ħafna azzjonijiet alternattivi. DQNs intużaw biex iħarrġu aġenti biex jilagħbu logħob bħal Go u Dota 2, kif ukoll biex joħolqu robots li jistgħu jitgħallmu jimxu.
5. Netwerks Neural Rikorrenti (RNNs)
RNNs huma tip ta 'netwerk newrali li jista' jipproċessa data sekwenzjali filwaqt li jżomm stat intern. Ikkunsidraha simili għal persuna li taqra ktieb, fejn kull kelma tiġi diġerita b’relazzjoni maʼ dawk li ġew qabel.
L-RNNs huma għalhekk ideali għal ħidmiet bħar-rikonoxximent tad-diskors, it-traduzzjoni tal-lingwa, u anke tbassir tal-kelma li jmiss fi frażi.
L-RNNs jaħdmu billi jużaw loops ta' feedback biex jgħaqqdu l-output ta' kull pass tal-ħin lura mal-input tal-pass tal-ħin li jmiss. Dan jippermetti li n-netwerk juża l-informazzjoni ta’ qabel dwar il-pass tal-ħin biex jinforma t-tbassir tiegħu għal passi ta’ żmien futuri. Sfortunatament, dan ifisser ukoll li RNNs huma vulnerabbli għall-kwistjoni tal-gradjent li jgħibu, li fiha l-gradjenti użati għat-taħriġ isiru ċkejkna ħafna u n-netwerk jitħabat biex jitgħallmu relazzjonijiet fit-tul.
Minkejja dan ir-restrizzjoni apparenti, RNNs sabu użu f'firxa wiesgħa ta 'applikazzjonijiet. Dawn l-applikazzjonijiet jinkludu l-ipproċessar tal-lingwa naturali, ir-rikonoxximent tad-diskors, u anke l-produzzjoni tal-mużika.
Google Translate, pereżempju, timpjega sistema bbażata fuq RNN biex tittraduċi bejn il-lingwi, filwaqt li Siri, l-assistent virtwali, tutilizza sistema bbażata fuq RNN biex tiskopri l-vuċi. RNNs intużaw ukoll biex ibassru l-prezzijiet tal-istokk u joħolqu test u grafika realistiċi.
6. Netwerks tal-Kapsuli
Capsule Networks huwa tip ġdid ta 'disinn ta' netwerk newrali li jista 'jidentifika mudelli u korrelazzjonijiet fid-dejta b'mod aktar effettiv. Huma jorganizzaw newroni f'"kapsuli" li jikkodifikaw ċerti aspetti ta' input.
Dan il-mod jistgħu jagħmlu tbassir aktar preċiż. In-Netwerks tal-Kapsuli estratt proprjetajiet ikkumplikati progressivament mid-dejta tal-input billi jimpjegaw bosta saffi ta 'kapsuli.
It-teknika ta' Capsule Networks tippermettilhom jitgħallmu rappreżentazzjonijiet ġerarkiċi tal-input mogħti. Jistgħu jikkodifikaw sew konnessjonijiet spazjali bejn oġġetti ġewwa stampa billi jikkomunikaw bejn kapsuli.
L-identifikazzjoni tal-oġġetti, is-segmentazzjoni tal-istampa, u l-ipproċessar tal-lingwa naturali huma kollha applikazzjonijiet tan-Netwerks tal-Kapsula.
In-Netwerks tal-Kapsuli għandhom il-potenzjal li jiġu impjegati fihom sewqan awtonomu teknoloġiji. Huma jassistu lis-sistema biex tagħraf u tiddistingwi bejn oġġetti bħal karozzi, nies, u sinjali tat-traffiku. Dawn is-sistemi jistgħu jevitaw ħabtiet billi jagħmlu tbassir aktar preċiż dwar l-imġiba ta 'oġġetti fl-ambjent tagħhom.
7. Varjazzjonali Autoencoders (VAEs)
Il-VAEs huma forma ta' għodda ta' tagħlim profond li tintuża għal tagħlim mhux sorveljat. Billi jikkodifikaw id-dejta fi spazju ta’ dimensjoni aktar baxxa u mbagħad jiddekodifikawha lura fil-format oriġinali, jistgħu jitgħallmu jsib mudelli fid-dejta.
Huma bħal magician li jista’ jittrasforma fenek f’kappell u mbagħad jerġa’ lura f’fenek! Il-VAEs huma ta' benefiċċju għall-ġenerazzjoni ta' viżwali jew mużika realistiċi. U, jistgħu jintużaw biex jipproduċu dejta ġdida li hija komparabbli mad-dejta oriġinali.
Il-VAEs huma simili għal codebreaker sigriet. Jistgħu jiskopru l-bażi struttura tad-dejta billi tkisserha f'biċċiet aktar sempliċi, bħal kif jitkisser puzzle. Jistgħu jużaw dik l-informazzjoni biex jibnu data ġdida li tidher bħall-oriġinal wara li jkunu rranġaw il-partijiet.
Dan jista 'jkun utli biex tikkompressa fajls enormi jew tipproduċi grafika jew mużika friska f'ċertu stil. Il-VAEs jistgħu wkoll jipproduċu kontenut frisk, bħal stejjer tal-aħbarijiet jew lirika tal-mużika.
8. Netwerks Avversarji Ġenerattivi (GANs)
Il-GANs (Generative Adversarial Networks) huma forma ta' sistema ta' tagħlim profond li tiġġenera data ġdida li tixbaħ l-oriġinal. Huma joperaw billi jħarrġu żewġ netwerks: ġeneratur u netwerk diskriminatorju.
Il-ġeneratur jipproduċi data ġdida li hija komparabbli mal-oriġinal.
U, id-diskriminatur jipprova jiddistingwi bejn id-dejta oriġinali u dik maħluqa. Iż-żewġ netwerks huma mħarrġa flimkien, bil-ġeneratur jipprova jqarraq lid-diskriminatur u d-diskriminatur jipprova jidentifika sew id-dejta oriġinali.
Ikkunsidra l-GANs bħala jaqsmu bejn falsifikatur u ditektif. Il-ġeneratur jiffunzjona b'mod simili għal falsifikatur, u jipproduċi xogħol artistiku ġdid li jixbah l-oriġinal.
Id-diskriminatur jaġixxi bħala ditektif, jipprova jiddistingwi bejn xogħol tal-arti ġenwin u falsifikazzjoni. Iż-żewġ netwerks huma mħarrġa flimkien, bil-ġeneratur jitjieb biex jagħmel foloz plawżibbli u d-diskriminatur itejjeb biex jagħrafhom.
Il-GANs għandhom diversi użi, li jvarjaw mill-produzzjoni ta’ stampi realistiċi ta’ bnedmin jew annimali sal-ħolqien ta’ mużika jew kitba ġdida. Jistgħu jintużaw ukoll għat-tkabbir tad-dejta, li jinvolvi l-kombinazzjoni tad-dejta prodotta ma 'dejta reali biex jinbena sett ta' dejta akbar għat-taħriġ tal-mudelli tat-tagħlim tal-magni.
9. Deep Q-Networks (DQNs)
Deep Q-Networks (DQNs) huma speċi ta' algoritmu ta' tagħlim ta' tisħiħ tat-teħid tad-deċiżjonijiet. Huma joperaw billi jitgħallmu Q-funzjoni li tbassar il-premju mistenni biex tagħmel ċerta azzjoni f'kundizzjoni partikolari.
Il-funzjoni Q hija mgħallma bi prova u żball, bl-algoritmu jipprova diversi azzjonijiet u jitgħallem mir-riżultati.
Ikkunsidraha bħal a video game karattru jesperimenta b'diversi azzjonijiet u jiskopri liema minnhom iwasslu għas-suċċess! Id-DQNs iħarrġu l-funzjoni Q billi jużaw netwerk newrali profond, li jagħmilhom għodod effettivi għal kompiti diffiċli tat-teħid tad-deċiżjonijiet.
Saħansitra għelbu ċ-ċampjins umani f’logħob bħal Go u ċ-ċess, kif ukoll fir-robotika u l-karozzi li jsuqu waħedhom. Għalhekk, kollox ma’ kollox, id-DQNs jaħdmu billi jitgħallmu mill-esperjenza biex itejbu l-ħiliet tagħhom fit-teħid ta’ deċiżjonijiet maż-żmien.
10. Netwerks ta' Funzjoni ta' Bażi Radjali (RBFNs)
Netwerks ta 'Funzjoni ta' Bażi Radjali (RBFNs) huma tip ta 'netwerk newrali li jintuża biex japprossima l-funzjonijiet u jwettaq kompiti ta' klassifikazzjoni. Huma joperaw billi jittrasformaw id-dejta tal-input fi spazju ta 'dimensjoni ogħla bl-użu ta' ġabra ta 'funzjonijiet ta' bażi radjali.
L-output tan-netwerk huwa kombinazzjoni lineari tal-funzjonijiet bażi, u kull funzjoni bażi radjali tirrappreżenta punt ċentrali fl-ispazju tad-dħul.
L-RBFNs huma speċjalment effettivi għal sitwazzjonijiet b'interazzjonijiet ikkumplikati ta' input-output, u jistgħu jiġu mgħallma bl-użu ta' firxa wiesgħa ta' tekniki, inkluż tagħlim sorveljat u mhux sorveljat. Intużaw għal xi ħaġa minn tbassir finanzjarju għal rikonoxximent ta 'stampa u diskors sa dijanjostika medika.
Ikkunsidra l-RBFNs bħala sistema GPS li tuża serje ta 'punti ta' ankra biex issib triqtu f'terren ta 'sfida. L-output tan-netwerk huwa kombinazzjoni tal-punti ta 'ankra, li joqogħdu għall-funzjonijiet tal-bażi radjali.
Nistgħu nħaddnu informazzjoni kkumplikata u niġġeneraw tbassir preċiż dwar kif se jirriżulta xenarju billi nużaw RBFNs.
11. Multilayer Perceptrons (MLPs)
Forma tipika ta' netwerk newrali msejħa multilayer perceptron (MLP) tintuża għal ħidmiet ta' tagħlim sorveljat bħall-klassifikazzjoni u r-rigressjoni. Huma joperaw billi jġorru diversi saffi ta 'nodi konnessi, jew newroni, b'kull saff ibiddel b'mod mhux lineari d-dejta li tidħol.
F'MLP, kull newroni jieħu input min-newroni fis-saff ta 'hawn taħt u jibgħat sinjal lin-newroni fis-saff ta' hawn fuq. L-output ta 'kull newron huwa determinat bl-użu ta' funzjoni ta 'attivazzjoni, li tagħti lin-netwerk nonlinearity.
Huma kapaċi jitgħallmu rappreżentazzjonijiet sofistikati tad-dejta tal-input peress li jista 'jkollhom diversi saffi moħbija.
L-MLPs ġew applikati għal varjetà ta 'kompiti, bħall-analiżi tas-sentimenti, l-iskoperta tal-frodi, u r-rikonoxximent tal-vuċi u tal-istampi. L-MLPs jistgħu jitqabblu ma' grupp ta' investigaturi li jaħdmu flimkien biex ikissru każ diffiċli.
Flimkien, jistgħu jgħaqqdu flimkien il-fatti u jsolvu d-delitt minkejja l-fatt li kull wieħed għandu qasam partikolari ta 'speċjalità.
12. Netwerks Newrali Konvoluzzjonali (CNNs)
Immaġini u vidjows huma pproċessati bl-użu ta 'netwerks newrali konvoluzzjonali (CNNs), forma ta' netwerk newrali. Huma jiffunzjonaw billi jimpjegaw sett ta 'filtri li jistgħu jitgħallmu, jew qlub, biex jiġu estratti karatteristiċi sinifikanti mid-dejta tal-input.
Il-filtri jitilqu fuq l-istampa tal-input, u jwettqu konvoluzzjonijiet biex jibnu mappa tal-karatteristiċi li taqbad aspetti essenzjali tal-immaġni.
Peress li s-CNNs huma kapaċi jitgħallmu rappreżentazzjonijiet ġerarkiċi tal-karatteristiċi tal-istampa, huma partikolarment utli għal sitwazzjonijiet li jinvolvu volumi enormi ta 'dejta viżiva. Diversi applikazzjonijiet għamlu użu minnhom, bħal skoperta ta 'oġġetti, kategorizzazzjoni ta' stampi, u skoperta tal-wiċċ.
Ikkunsidra CNNs bħala pittur li juża diversi pniezel biex joħloq kapolavur. Kull pinzell huwa qalba, u l-artist jista 'jibni immaġni kumplessa u realistika billi tħallat ħafna qlub. Nistgħu nieħdu karatteristiċi sinifikanti minn ritratti u nutilizzawhom biex inbassru b'mod preċiż il-kontenut tal-immaġni billi nużaw is-CNNs.
13. Netwerks ta’ Twemmin Profond (DBNs)
Id-DBNs huma forma ta' netwerk newrali li jintuża għal kompiti ta' tagħlim mhux sorveljati bħat-tnaqqis tad-dimensjonalità u t-tagħlim tal-karatteristiċi. Huma jiffunzjonaw billi jpoġġu diversi saffi ta 'Magni Boltzmann Ristretti (RBMs), li huma netwerks newrali b'żewġ saffi li kapaċi jitgħallmu jirrikostitwixxu dejta tal-input.
Id-DBNs huma ta' benefiċċju kbir għal kwistjonijiet ta' dejta ta' dimensjoni għolja għaliex jistgħu jitgħallmu rappreżentazzjoni kompatta u effiċjenti tal-input. Ġew utilizzati għal xi ħaġa minn rikonoxximent tal-vuċi għal kategorizzazzjoni tal-istampi għal skoperta ta 'droga.
Pereżempju, ir-riċerkaturi impjegaw DBN biex jistmaw l-affinità li torbot tal-kandidati tal-medikazzjoni mar-riċettur tal-estroġenu. Id-DBN ġie mħarreġ fuq ġabra ta 'karatteristiċi kimiċi u affinitajiet li jorbtu, u kien kapaċi jbassar b'mod preċiż l-affinità vinkolanti ta' kandidati ġodda ta 'droga.
Dan jenfasizza l-użu ta 'DBNs fl-iżvilupp tad-droga u applikazzjonijiet oħra tad-dejta ta' dimensjoni għolja.
14. Autoencoders
Autoencoders huma netwerks newrali li huma utilizzati għal kompiti ta 'tagħlim mhux sorveljati. Huma maħsuba biex jibnu mill-ġdid id-dejta tal-input, li jimplika li se jitgħallmu jikkodifikaw l-informazzjoni f'rappreżentazzjoni kompatta u mbagħad jiddekodifikawha lura fl-input oriġinali.
Autoencoders huma effettivi ħafna għall-kompressjoni tad-dejta, it-tneħħija tal-istorbju, u l-iskoperta ta 'anomalija. Jistgħu jintużaw ukoll għat-tagħlim tal-karatteristiċi, fejn ir-rappreżentazzjoni kompatta tal-awtoencoder hija mdaħħla f'kompitu ta 'tagħlim sorveljat.
Ikkunsidra autoencoders bħala studenti li jieħdu noti fil-klassi. L-istudent jisma’ l-lecture u jikteb l-aktar punti rilevanti b’mod konċiż u effiċjenti.
Aktar tard, l-istudent jista’ jistudja u jiftakar il-lezzjoni billi juża n-noti tiegħu. Autoencoder, min-naħa l-oħra, jikkodifika d-dejta tal-input f'rappreżentazzjoni kompatta li sussegwentement tista 'tintuża għal skopijiet differenti bħal skoperta ta' anomaliji jew kompressjoni tad-dejta.
15. Magni Boltzmann ristretti (RBMs)
L-RBMs (Magni Boltzmann Ristretti) huma tip ta 'netwerk newrali ġenerattiv li jintuża għal kompiti ta' tagħlim mhux sorveljati. Huma magħmulin minn saff viżibbli u saff moħbi, b'newroni f'kull saff, marbuta iżda mhux fl-istess saff.
L-RBMs huma mħarrġa bl-użu ta' teknika magħrufa bħala diverġenza kuntrasttiva, li tinvolvi tibdil tal-piżijiet bejn is-saffi viżibbli u moħbija sabiex tiġi ottimizzata l-probabbiltà tad-dejta tat-taħriġ. L-RBMs jistgħu joħolqu data ġdida wara li jkunu mħarrġa billi jittieħdu kampjuni mid-distribuzzjoni mgħallma.
Ir-rikonoxximent tal-immaġni u tad-diskors, il-filtrazzjoni kollaborattiva, u l-iskoperta tal-anomaliji huma kollha applikazzjonijiet li użaw RBMs. Ġew utilizzati wkoll f'sistemi ta 'rakkomandazzjoni biex joħolqu rakkomandazzjonijiet imfassla billi jitgħallmu mudelli mill-imġiba tal-utent.
L-RBMs intużaw ukoll fit-tagħlim tal-karatteristiċi biex tinħoloq rappreżentazzjoni kompatta u effiċjenti ta' data ta' dimensjoni għolja.
Tkebbib u Żviluppi Promettenti fuq l-Orizzont
Metodi ta’ tagħlim fil-fond, bħal Netwerks Neurali Konvoluzzjonali (CNNs) u Netwerks Neurali Rikorrenti (RNNs), huma fost l-aktar approċċi avvanzati ta’ intelliġenza artifiċjali. Is-CNNs ttrasformaw ir-rikonoxximent tal-istampa u tal-awdjo, filwaqt li l-RNNs avvanzaw b'mod sinifikanti fl-ipproċessar tal-lingwa naturali u l-analiżi tad-dejta sekwenzjali.
Il-pass li jmiss fl-evoluzzjoni ta’ dawn l-approċċi x’aktarx li jiffoka fuq it-titjib tal-effiċjenza u l-iskalabbiltà tagħhom, li jippermettilhom janalizzaw settijiet ta’ data akbar u aktar ikkumplikati, kif ukoll it-titjib tal-interpretabilità u l-kapaċità tagħhom li jitgħallmu minn data inqas tikkettata.
It-tagħlim fil-fond għandu l-possibbiltà li jippermetti skoperti f'oqsma bħall-kura tas-saħħa, il-finanzi, u s-sistemi awtonomi hekk kif javvanza.
Ħalli Irrispondi