နှစ်ပေါင်းများစွာ နက်ရှိုင်းစွာ သင်ယူခြင်းသည် နည်းပညာတွင် ခေါင်းကြီးပိုင်းများကို ဖန်တီးလာခဲ့သည်။ အဘယ်ကြောင့်ဆိုသော် နားလည်ရန် ရိုးရှင်းပါသည်။
ဉာဏ်ရည်တု၏ ဤဌာနခွဲသည် ကျန်းမာရေးစောင့်ရှောက်မှုမှသည် ဘဏ်လုပ်ငန်းအထိ သယ်ယူပို့ဆောင်ရေးအထိ ကဏ္ဍများကို ပြောင်းလဲနေပြီး ယခင်က မတွေးဝံ့စရာ တိုးတက်မှုများကို ရရှိစေပါသည်။
နက်ရှိုင်းစွာ သင်ယူခြင်းသည် ဒေတာပမာဏများစွာမှ ရှုပ်ထွေးသောပုံစံများကို ထုတ်ယူရန်နှင့် ခန့်မှန်းရန် သင်ယူနိုင်သော ခေတ်မီဆန်းပြားသော အယ်လဂိုရီသမ်များပေါ်တွင် တည်ဆောက်ထားသည်။
Convolutional Neural Networks မှ Generative Adversarial Networks မှ Long-Term Memory Networks များအထိ ဤပို့စ်တွင် အကောင်းဆုံး နက်နဲသော သင်ယူမှု အယ်လဂိုရီသမ် 15 ခုကို ကြည့်ရှုပါမည်။
ဤပို့စ်သည် သင်မည်သူဖြစ်သည်ကို သိမြင်နားလည်စေမည်ဖြစ်သည်။ အစပြုသူ သို့မဟုတ် နက်နဲသောသင်ယူမှုတွင် ကျွမ်းကျင်သူ.
1. Transformer ကွန်ရက်များ
Transformer ကွန်ရက်များ ပြောင်းလဲလာခဲ့သည်။ ကွန်ပျူတာရူပါရုံကို နှင့် သဘာဝဘာသာစကား လုပ်ဆောင်ခြင်း (NLP) အက်ပ်များ။ ၎င်းတို့သည် ဝင်လာသော ဒေတာများကို ပိုင်းခြားစိတ်ဖြာပြီး တာဝေးဆက်ဆံရေးများကို ဖမ်းယူရန်အတွက် အာရုံစူးစိုက်မှုလုပ်ငန်းစဉ်များကို အသုံးချသည်။ ၎င်းသည် သမားရိုးကျ sequence-to-sequence မော်ဒယ်များထက် ပိုမိုမြန်ဆန်စေသည်။
Transformer networks များကို Vaswani et al မှ "Attention Is All You Need" စာစောင်တွင် ပထမဆုံး ဖော်ပြခဲ့သည်။
၎င်းတို့တွင် ကုဒ်နံပါတ်နှင့် ကုဒ်ဒါတစ်ခု (2017) တို့ ပါဝင်သည်။ Transformer မော်ဒယ်သည် NLP အပလီကေးရှင်းအမျိုးမျိုးတွင် စွမ်းဆောင်ရည်ကို သရုပ်ပြထားသည်။ စိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာစာသားအမျိုးအစားခွဲခြားခြင်းနှင့် စက်ဘာသာပြန်ဆိုခြင်း
Transformer-based မော်ဒယ်များကို အပလီကေးရှင်းများအတွက် ကွန်ပျူတာအမြင်တွင်လည်း အသုံးချနိုင်သည်။ ၎င်းတို့သည် အရာဝတ္တုများကို အသိအမှတ်ပြုခြင်းနှင့် ပုံစာတန်းထိုးခြင်းများ လုပ်ဆောင်နိုင်သည်။
2. Long-Term Memory Networks (LSTMs)
Long Short-Term Memory Networks (LSTMs) များသည် ပုံစံတစ်မျိုးဖြစ်သည်။ အာရုံကြောကွန်ယက်ကို အထူးသဖြင့် ဆင့်ကဲထည့်သွင်းမှုကို ကိုင်တွယ်ရန် တည်ဆောက်ထားသည်။ ၎င်းတို့သည် မလိုအပ်သော အချက်အလက်များကို မေ့လျော့နေချိန်တွင် ဟိုးရှေးရှေးက အသိပညာများကို ပြန်လည်အမှတ်ရနိုင်သောကြောင့် ၎င်းတို့ကို "ရေတိုရေတို" ဟု ခေါ်ဆိုကြသည်။
LSTMs များသည် ကွန်ရက်အတွင်း သတင်းအချက်အလက်စီးဆင်းမှုကို ထိန်းချုပ်သည့် အချို့သော "ဂိတ်များ" မှတဆင့် လုပ်ဆောင်သည်။ သတင်းအချက်အလတ်များကို သိသာထင်ရှားစေခြင်း ရှိ၊ မရှိ စစ်ဆေးဆုံးဖြတ်ခြင်းအပေါ် မူတည်၍ အဆိုပါဂိတ်များသည် ၎င်းကို ဝင်ခွင့် သို့မဟုတ် တားဆီးနိုင်သည်။
ဤနည်းပညာသည် LSTMs များသည် စကားသံမှတ်မိခြင်း၊ သဘာဝဘာသာစကားလုပ်ဆောင်ခြင်းနှင့် အချိန်စီးရီးခန့်မှန်းခြင်းကဲ့သို့သော လုပ်ငန်းဆောင်တာများအတွက် အရေးကြီးသောအချက်ဖြစ်သည့် အတိတ်အချိန်အဆင့်များမှ အချက်အလက်များကို ပြန်လည်သိမ်းဆည်းရန် သို့မဟုတ် မေ့သွားနိုင်သည်။
LSTMs များသည် အကဲဖြတ်ရန် သို့မဟုတ် ခန့်မှန်းရန် လိုအပ်သည့် ဆက်တိုက်ဒေတာများရှိသည့် မည်သည့်ကိစ္စတွင်မဆို အလွန်အကျိုးရှိသည်။ စကားသံကို စာသားအဖြစ်သို့ ပြောင်းလဲရန် ၎င်းတို့ကို အသံမှတ်မိခြင်းဆော့ဖ်ဝဲတွင် မကြာခဏ အသုံးပြုကြသည်။ စတော့ဈေးကွက် ယခင်ဒေတာများကို အခြေခံ၍ အနာဂတ်စျေးနှုန်းများကို ခန့်မှန်းရန် ခွဲခြမ်းစိတ်ဖြာခြင်း။
3. ကိုယ်ပိုင်စီစဉ်ခြင်းမြေပုံများ (SOMs)
SOM များသည် အတုတစ်မျိုးဖြစ်သည်။ လေ့လာသင်ယူနိုင်သော မသေခင် အနိမ့်ပိုင်းပတ်ဝန်းကျင်တွင် ရှုပ်ထွေးသောဒေတာကို ကိုယ်စားပြုသည်။ ဤနည်းလမ်းသည် အမြင့်ဘက်မြင် input ဒေတာကို နှစ်ဖက်မြင်ဇယားကွက်အဖြစ် ပြောင်းလဲခြင်းဖြင့် လုပ်ဆောင်သည်၊ ယူနစ်တစ်ခုစီ သို့မဟုတ် နျူရွန်တစ်ခုစီသည် input space ၏ မတူညီသောအစိတ်အပိုင်းတစ်ခုကို ကိုယ်စားပြုခြင်းဖြင့် လုပ်ဆောင်သည်။
နျူရွန်များသည် ပေါင်းစပ်ချိတ်ဆက်ကာ topological တည်ဆောက်မှုကို ဖန်တီးကာ ၎င်းတို့အား ဒေတာထည့်သွင်းမှုကို လေ့လာရန်နှင့် ချိန်ညှိနိုင်စေမည်ဖြစ်သည်။ ထို့ကြောင့် SOM သည် ကြီးကြပ်မထားသော သင်ယူမှုအပေါ် အခြေခံသည်။
algorithm မလိုအပ်ပါ။ တံဆိပ်တပ်ထားသောဒေတာ ထံမှသင်ယူရန်။ ယင်းအစား၊ ၎င်းသည် ကိန်းရှင်များကြားတွင် ပုံစံများနှင့် ဆက်နွယ်မှုများကို ရှာဖွေရန် ထည့်သွင်းဒေတာ၏ ကိန်းဂဏန်းအချက်အလက်များကို အသုံးပြုသည်။
လေ့ကျင့်ရေးအဆင့်တွင်၊ အာရုံကြောများသည် သွင်းသွင်းဒေတာ၏ အကောင်းဆုံးညွှန်ပြမှုအဖြစ် ယှဉ်ပြိုင်ကြသည်။ ပြီးတော့ သူတို့ကိုယ်တိုင်က အဓိပ္ပါယ်ရှိတဲ့ ဖွဲ့စည်းပုံတစ်ခုအဖြစ် စုစည်းတယ်။ SOM များတွင် ရုပ်ပုံနှင့် စကားပြော မှတ်သားမှု၊ ဒေတာ တူးဖော်ခြင်းနှင့် ပုံစံ အသိအမှတ်ပြုခြင်း အပါအဝင် ကျယ်ပြန့်သော အပလီကေးရှင်းများ ရှိသည်။
သူတို့အတွက်အသုံးဝင်သည်။ ရှုပ်ထွေးသောဒေတာကိုမြင်ယောင်ခြင်း။ဆက်စပ်ဒေတာအချက်များ အစုလိုက်အပြုံလိုက်၊ နှင့် မူမမှန်မှုများ သို့မဟုတ် အကွာအဝေးများကို ရှာဖွေခြင်း။
4. Deep Reinforcement Learning
နက်သော အားဖြည့်သင်ယူခြင်း အကျိုးပေးစနစ်အပေါ် အခြေခံ၍ ဆုံးဖြတ်ချက်များချရန် အေးဂျင့်တစ်ဦးအား လေ့ကျင့်သင်ကြားပေးသည့် စက်သင်ယူမှုတစ်မျိုးဖြစ်သည်။ ၎င်းသည် အေးဂျင့်အား ၎င်း၏ပတ်ဝန်းကျင်နှင့် အပြန်အလှန်ဆက်သွယ်ပြီး စမ်းသပ်မှုနှင့် အမှားမှတစ်ဆင့် သင်ယူခြင်းဖြင့် လုပ်ဆောင်သည်။
အေးဂျင့်သည် ၎င်းလုပ်ဆောင်မှုတိုင်းအတွက် ဆုချီးမြှင့်ခံရပြီး ၎င်း၏ရည်ရွယ်ချက်မှာ ၎င်း၏အကျိုးခံစားခွင့်များကို အချိန်နှင့်အမျှ အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်နည်းကို လေ့လာရန်ဖြစ်သည်။ အေးဂျင့်များကို ဂိမ်းကစားရန်၊ မော်တော်ကားများကို မောင်းနှင်ရန်နှင့် စက်ရုပ်များကိုပင် စီမံခန့်ခွဲရန် ဤအရာအား အေးဂျင့်များကို သင်ပေးရန်အတွက် ၎င်းကို အသုံးပြုနိုင်သည်။
Q-Learning သည် လူသိများသော Deep Reinforcement Learning နည်းလမ်းတစ်ခုဖြစ်သည်။ ၎င်းသည် သီးခြားပြည်နယ်တစ်ခုတွင် လုပ်ဆောင်မှုတစ်ခုပြုလုပ်ခြင်း၏တန်ဖိုးကို အကဲဖြတ်ပြီး အေးဂျင့်သည် ပတ်ဝန်းကျင်နှင့် အပြန်အလှန်တုံ့ပြန်မှုကြောင့် ခန့်မှန်းခြေအဆင့်မြှင့်တင်ခြင်းဖြင့် လုပ်ဆောင်သည်။
ထို့နောက် မည်သည့်လုပ်ဆောင်ချက်သည် အကြီးမားဆုံးဆုလာဘ်ကို ရနိုင်ခြေအရှိဆုံးဖြစ်နိုင်သည်ကို ဆုံးဖြတ်ရန် အေးဂျင့်သည် ဤခန့်မှန်းချက်များကို အသုံးချသည်။ Q-Learning သည် Atari ဂိမ်းများကို ကစားရန် အေးဂျင့်များအား ပညာပေးခြင်းအပြင် ဒေတာစင်တာများတွင် စွမ်းအင်အသုံးပြုမှု တိုးတက်စေရန်အတွက် အသုံးပြုထားသည်။
Deep Q-Networks သည် အခြားသော နာမည်ကြီး Deep Reinforcement Learning method (DQN) ဖြစ်သည်။ DQN များသည် Q-Learning နှင့် ဆင်တူပြီး ဇယားတစ်ခုထက် နက်နဲသော အာရုံကြောကွန်ရက်ကို အသုံးပြု၍ လုပ်ဆောင်မှုတန်ဖိုးများကို ခန့်မှန်းပေးသည်။
၎င်းသည် ၎င်းတို့အား များပြားလှသော၊ ရှုပ်ထွေးသော ဆက်တင်များကို အစားထိုးလုပ်ဆောင်မှုများဖြင့် ကိုင်တွယ်ဖြေရှင်းနိုင်စေပါသည်။ DQN များကို Go နှင့် Dota 2 ကဲ့သို့သော ဂိမ်းများကစားရန် အေးဂျင့်များအား လေ့ကျင့်သင်ကြားပေးရန်နှင့် လမ်းလျှောက်ရန် သင်ယူနိုင်သော စက်ရုပ်များကို ဖန်တီးရန်အတွက် အသုံးပြုထားသည်။
5. Recurrent Neural Networks (RNNs)
RNN များသည် အတွင်းပိုင်းအခြေအနေကို ထိန်းသိမ်းထားစဉ် ဆက်တိုက်ဒေတာများကို လုပ်ဆောင်နိုင်သော အာရုံကြောကွန်ရက်အမျိုးအစားတစ်ခုဖြစ်သည်။ စာအုပ်တစ်အုပ်ကို ဖတ်ရှုနေသူနှင့် ဆင်တူသည်၊ စကားလုံးတစ်လုံးစီသည် ရှေ့က ထွက်လာသော စကားလုံးများနှင့် ဆက်စပ်၍ ကြေညက်အောင် ချေဖျက်ထားသည်။
ထို့ကြောင့် RNN များသည် စကားပြောမှတ်မိခြင်း၊ ဘာသာစကားဘာသာပြန်ခြင်းနှင့် စကားစုတစ်ခုတွင် နောက်လာမည့်စကားလုံးကို ခန့်မှန်းခြင်းကဲ့သို့သော အလုပ်များအတွက် စံပြဖြစ်သည်။
RNN များသည် အကြိမ်တိုင်း၏ output ကို နောက်တစ်ကြိမ် အဆင့်၏ input သို့ ပြန်သွားရန် ချိတ်ဆက်ရန် တုံ့ပြန်မှု loops များကို အသုံးပြုခြင်းဖြင့် အလုပ်လုပ်ပါသည်။ ၎င်းသည် ကွန်ရက်အား အနာဂတ်အချိန်အဆင့်များအတွက် ၎င်း၏ခန့်မှန်းချက်များကို အသိပေးရန်အတွက် ကြိုတင်အချိန်အဆင့်အချက်အလက်များကို အသုံးချနိုင်စေပါသည်။ ကံမကောင်းစွာဖြင့်၊ ၎င်းသည် RNN များသည် လေ့ကျင့်ရေးအတွက် အသုံးပြုသည့် gradient များသည် အလွန်သေးငယ်လာပြီး ရေရှည်ဆက်ဆံရေးများကို လေ့လာရန် network မှ ရုန်းကန်နေရသည့် ပျောက်ကွယ်နေသော gradient ပြဿနာကို ထိခိုက်စေနိုင်သည်ဟုလည်း ဆိုလိုပါသည်။
ဤသိသာထင်ရှားသောကန့်သတ်ချက်များရှိနေသော်လည်း၊ RNN များသည် ကျယ်ပြန့်သောအပလီကေးရှင်းများတွင်အသုံးပြုသည်ကိုတွေ့ရှိရသည်။ ဤအပလီကေးရှင်းများတွင် သဘာဝဘာသာစကားဖြင့် လုပ်ဆောင်ခြင်း၊ စကားပြောမှတ်သားခြင်းနှင့် တေးဂီတထုတ်လုပ်ခြင်းပင် ပါဝင်သည်။
ဂူဂယ်လ်ဘာသာပြန်ဥပမာအားဖြင့်၊ Siri သည် virtual assistant သည် အသံကိုသိရှိရန် RNN-based system ကိုအသုံးပြုနေချိန်တွင် ဘာသာစကားများတစ်လျှောက် ဘာသာပြန်ဆိုရန် RNN-based system ကိုအသုံးပြုထားသည်။ RNN များကို စတော့စျေးနှုန်းများကို ခန့်မှန်းရန်နှင့် လက်တွေ့ကျသော စာသားနှင့် ဂရပ်ဖစ်များကို ဖန်တီးရန်အတွက်လည်း အသုံးပြုထားပါသည်။
6. Capsule ကွန်ရက်များ
Capsule Networks သည် ဒေတာများတွင် ပုံစံများနှင့် ဆက်နွယ်မှုများကို ပိုမိုထိရောက်စွာ ခွဲခြားသတ်မှတ်နိုင်သည့် အာရုံကြောကွန်ရက် ဒီဇိုင်းပုံစံအသစ်တစ်ခုဖြစ်သည်။ ၎င်းတို့သည် input တစ်ခု၏အချို့သောသွင်ပြင်လက္ခဏာများကို encode လုပ်သော "capsules" များအဖြစ် neurons များကိုစုစည်းထားသည်။
ဤနည်းဖြင့် ၎င်းတို့သည် ပိုမိုတိကျသော ခန့်မှန်းချက်များကို ပြုလုပ်နိုင်မည်ဖြစ်သည်။ Capsule Networks များသည် Capsules အလွှာများစွာကို အသုံးပြုခြင်းဖြင့် ထည့်သွင်းဒေတာမှ တဖြည်းဖြည်း ရှုပ်ထွေးသော ဂုဏ်သတ္တိများကို ထုတ်ယူသည်။
Capsule Networks ၏နည်းပညာသည် ၎င်းတို့အား ပေးထားသောထည့်သွင်းမှု၏ အထက်အောက်ဖော်ပြချက်များကို လေ့လာနိုင်စေပါသည်။ ၎င်းတို့သည် ပုံတစ်ပုံအတွင်းရှိ အရာများကြားတွင် spatial connections များကို capsules များကြား ဆက်သွယ်ခြင်းဖြင့် မှန်ကန်စွာ ကုဒ်လုပ်နိုင်ပါသည်။
Object identification၊ picture segmentation နှင့် natural language processing တို့သည် Capsule Networks ၏ အသုံးချမှုအားလုံးဖြစ်သည်။
Capsule Networks များတွင် အလုပ်ခန့်ရန် အလားအလာရှိသည်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရကားမောင်း နည်းပညာများ။ မော်တော်ကားများ၊ လူများနှင့် ယာဉ်ကြောအသွားအလာများကဲ့သို့သော အရာများကို ခွဲခြားသိမြင်နိုင်စေရန်အတွက် ၎င်းတို့သည် စနစ်အား ကူညီပေးပါသည်။ ဤစနစ်များသည် ၎င်းတို့၏ ပတ်ဝန်းကျင်ရှိ အရာဝတ္ထုများ၏ အပြုအမူနှင့် ပတ်သက်၍ ပိုမိုတိကျသော ခန့်မှန်းချက်များကို ပြုလုပ်ခြင်းဖြင့် တိုက်မိခြင်းကို ရှောင်ရှားနိုင်သည်။
7. Variational Autoencoders (VAEs)
VAEs များသည် ကြီးကြပ်မှုမရှိဘဲ သင်ယူမှုအတွက် အသုံးပြုသည့် နက်နဲသော သင်ယူမှုကိရိယာပုံစံတစ်ခုဖြစ်သည်။ ဒေတာကို အောက်ဖက်မှ နေရာလွတ်အဖြစ် ကုဒ်သွင်းပြီး မူလဖော်မတ်သို့ ပြန်လည်ကုဒ်လုပ်ခြင်းဖြင့်၊ ၎င်းတို့သည် ဒေတာတွင် ပုံစံများကို သိရှိနိုင်မည်ဖြစ်သည်။
သူတို့ဟာ ယုန်တစ်ကောင်ကို ဦးထုပ်အဖြစ် ပြောင်းလဲပြီး ယုန်တစ်ကောင်အဖြစ် ပြန်ပြောင်းနိုင်တဲ့ မှော်ဆရာတစ်ယောက်လိုပါပဲ။ VAE များသည် လက်တွေ့ဆန်သော ရုပ်ပုံများ သို့မဟုတ် ဂီတကို ဖန်တီးရန်အတွက် အကျိုးရှိသည်။ ထို့အပြင် မူရင်းဒေတာနှင့် နှိုင်းယှဉ်နိုင်သော ဒေတာအသစ်များကို ထုတ်လုပ်ရန် ၎င်းတို့ကို အသုံးပြုနိုင်သည်။
VAE များသည် လျှို့ဝှက် codebreaker နှင့် ဆင်တူသည်။ အရင်းခံကို ဖော်ထုတ်နိုင်ကြသည်။ အချက်အလက်များ၏ဖွဲ့စည်းပုံ ပဟေဠိတစ်ခုကို ဖြိုခွဲပုံနှင့်တူသော ရိုးရှင်းသောအပိုင်းများအဖြစ် ခွဲထုတ်ခြင်းဖြင့်၊ အစိတ်အပိုင်းများကို ခွဲခြမ်းစိပ်ဖြာပြီးပါက မူရင်းနှင့်တူသော ဒေတာအသစ်များကို တည်ဆောက်ရန်အတွက် ၎င်းတို့သည် အဆိုပါအချက်အလက်များကို အသုံးပြုနိုင်ပါသည်။
၎င်းသည် ကြီးမားသောဖိုင်များကို ချုံ့ရန် သို့မဟုတ် လတ်ဆတ်သော ဂရပ်ဖစ် သို့မဟုတ် တေးဂီတကို စတိုင်တစ်ခုဖြင့် ထုတ်လုပ်ရန်အတွက် အသုံးဝင်နိုင်သည်။ VAE များသည် သတင်းဇာတ်လမ်းများ သို့မဟုတ် တေးဂီတစာသားများကဲ့သို့ လတ်ဆတ်သော အကြောင်းအရာများကိုလည်း ထုတ်လုပ်နိုင်သည်။
8. Generative Adversarial Networks (GANs)
GANs (Generative Adversarial Networks) များသည် မူရင်းနှင့်တူသော အချက်အလက်အသစ်များကို ထုတ်ပေးသည့် နက်နဲသော သင်ကြားရေးစနစ်၏ ပုံစံတစ်ခုဖြစ်သည်။ ၎င်းတို့သည် လေ့ကျင့်ရေးကွန်ရက်နှစ်ခုဖြစ်သည့် မီးစက်တစ်ခုနှင့် ခွဲခြားဆက်ဆံသည့်ကွန်ရက်တစ်ခုဖြင့် လုပ်ဆောင်သည်။
ဂျင်နရေတာသည် မူရင်းနှင့် နှိုင်းယှဉ်နိုင်သော အချက်အလက်အသစ်များကို ထုတ်လုပ်သည်။
ထို့အပြင်၊ ခွဲခြားဆက်ဆံသူသည် မူရင်းနှင့် ဖန်တီးထားသော အချက်အလက်ကို ပိုင်းခြားရန် ကြိုးစားသည်။ ကွန်ရက်နှစ်ခုအား ခွဲခြားဆက်ဆံသူကို လှည့်ဖြားရန် ဂျင်နရေတာက ကြိုးစားနေပြီး မူရင်းဒေတာကို ကောင်းစွာခွဲခြားသတ်မှတ်ရန် ကြိုးပမ်းသည့် ကွန်ရက်နှစ်ခုကို ပေါင်းစပ်လေ့ကျင့်ထားသည်။
GAN များကို အတုခိုးသူနှင့် စုံထောက်ကြားဖြတ်တစ်ခုဟု မှတ်ယူပါ။ ဂျင်နရေတာသည် မူရင်းနှင့်ဆင်တူသည့် အနုပညာလက်ရာအသစ်များကို ထုတ်လုပ်သည့် အတုပြုလုပ်သည့်ပုံစံနှင့် ဆင်တူသည်။
ခွဲခြားဆက်ဆံသူသည် စစ်မှန်သော အနုပညာလက်ရာနှင့် အတုအပကို ပိုင်းခြားရန် ကြိုးပမ်းသည့် စုံထောက်တစ်ဦးအဖြစ် လုပ်ဆောင်သည်။ ကွန်ရက်နှစ်ခုကို လေ့ကျင့်ပေးထားပြီး၊ ဂျင်နရေတာသည် ဖြစ်နိုင်ချေရှိသော အတုအယောင်များကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ကာ ခွဲခြားဆက်ဆံသူအား ၎င်းတို့အား အသိအမှတ်ပြုရာတွင် ပိုမိုကောင်းမွန်လာစေသည်။
GAN များသည် လူသား သို့မဟုတ် တိရိစ္ဆာန်များ၏ လက်တွေ့ဆန်သောပုံများကို ထုတ်လုပ်ခြင်းမှ ဂီတ သို့မဟုတ် စာရေးခြင်းအသစ်ဖန်တီးခြင်းအထိ အသုံးပြုမှုများစွာရှိသည်။ လေ့ကျင့်ရေးစက်သင်ယူမှုမော်ဒယ်များအတွက် ပိုကြီးသောဒေတာအတွဲတစ်ခုတည်ဆောက်ရန် ၎င်းတို့ကို ထုတ်လုပ်ထားသောဒေတာကို အစစ်အမှန်ဒေတာနှင့် ပေါင်းစပ်ပါဝင်သည့် ဒေတာတိုးမြှင့်ခြင်းအတွက်လည်း အသုံးပြုနိုင်သည်။
9. Deep Q-Networks (DQNs)
Deep Q-Networks (DQNs) သည် ဆုံးဖြတ်ချက်ချခြင်းကို အားဖြည့်သင်ကြားမှု algorithm အမျိုးအစားတစ်ခုဖြစ်သည်။ ၎င်းတို့သည် သီးခြားအခြေအနေတစ်ခုတွင် လုပ်ဆောင်ချက်တစ်ခုပြုလုပ်ရန်အတွက် မျှော်လင့်ထားသည့်ဆုလာဘ်ကို ခန့်မှန်းပေးသည့် Q-function ကို လေ့လာခြင်းဖြင့် လုပ်ဆောင်သည်။
Q-function ကို စမ်းသပ်မှု နှင့် အမှားအယွင်း များဖြင့် သင်ကြားပေးပြီး အမျိုးမျိုးသော လုပ်ဆောင်ချက်များကို ကြိုးစားကာ ရလဒ်များမှ သင်ယူခြင်း algorithm ဖြင့် သင်ကြားပေးပါသည်။
အဲဒါကို ကြိုက်သလို သုံးသပ်ပါ။ ဗွီဒီယိုဂိမ်း ဇာတ်ကောင်စရိုက်အမျိုးမျိုးကို စမ်းသပ်ပြီး ဘယ်အရာတွေက အောင်မြင်မှုဆီ ဦးတည်သွားလဲဆိုတာ ရှာဖွေပါ။ DQN များသည် ခက်ခဲသော ဆုံးဖြတ်ချက်ချသည့် လုပ်ငန်းများအတွက် ထိရောက်သော ကိရိယာများ ဖြစ်အောင် နက်နဲသော အာရုံကြောကွန်ရက်ကို အသုံးပြု၍ Q-function ကို လေ့ကျင့်ပေးသည်။
၎င်းတို့သည် Go နှင့် စစ်တုရင်ကဲ့သို့သော ဂိမ်းများတွင် လူသားချန်ပီယံများကိုပင် အနိုင်ယူပြီး စက်ရုပ်များနှင့် အလိုအလျောက်မောင်းနှင်သည့် မော်တော်ကားများတွင်ပင် အနိုင်ယူနိုင်ခဲ့သည်။ ထို့ကြောင့်၊ DQN များသည် အချိန်ကြာလာသည်နှင့်အမျှ ၎င်းတို့၏ ဆုံးဖြတ်ချက်ချနိုင်မှုစွမ်းရည်ကို မြှင့်တင်ရန် အတွေ့အကြုံများမှ သင်ယူခြင်းဖြင့် အလုပ်လုပ်ပါသည်။
10. Radial Basis Function Networks (RBFNs)
Radial Basis Function Networks (RBFNs) သည် အနီးစပ်ဆုံး လုပ်ငန်းဆောင်တာများနှင့် အမျိုးအစားခွဲခြင်း လုပ်ငန်းများကို လုပ်ဆောင်ရန်အတွက် အသုံးပြုသော အာရုံကြောကွန်ရက်အမျိုးအစားတစ်ခုဖြစ်သည်။ ၎င်းတို့သည် input data များကို radial အခြေခံလုပ်ဆောင်ချက်များ စုစည်းမှုဖြင့် ပိုမိုမြင့်မားသော ဖက်မြင်အာကာသအဖြစ်သို့ ပြောင်းလဲခြင်းဖြင့် လုပ်ဆောင်သည်။
ကွန်ရက်၏ အထွက်သည် အခြေခံလုပ်ဆောင်မှုများ၏ မျဉ်းဖြောင့်ပေါင်းစပ်မှုဖြစ်ပြီး အစွန်းပိုင်းအခြေခံလုပ်ဆောင်ချက်တစ်ခုစီသည် input space ရှိ အလယ်ဗဟိုအမှတ်ကို ကိုယ်စားပြုသည်။
RBFN များသည် ရှုပ်ထွေးသော input-output အပြန်အလှန်တုံ့ပြန်မှုများရှိသည့် အခြေအနေများအတွက် အထူးထိရောက်ပြီး ၎င်းတို့အား ကြီးကြပ်ခြင်းနှင့် ကြီးကြပ်ခြင်းမပြုသော သင်ယူမှုအပါအဝင် ကျယ်ပြန့်သောနည်းပညာများကို အသုံးပြု၍ သင်ကြားနိုင်ပါသည်။ ၎င်းတို့ကို ငွေကြေးဆိုင်ရာ ခန့်မှန်းချက်များမှ ရုပ်ပုံနှင့် စကားပြောမှတ်သားခြင်းအထိ ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေခြင်းအထိ မည်သည့်အရာအတွက်မဆို အသုံးပြုခဲ့သည်။
RBFNs များကို စိန်ခေါ်နေသော မြေပြင်အနေအထားကိုဖြတ်၍ ၎င်း၏လမ်းကိုရှာဖွေရန် ကျောက်ဆူးအမှတ်များစွာကို အသုံးပြုသည့် GPS စနစ်အဖြစ် သုံးသပ်ကြည့်ပါ။ ကွန်ရက်၏အထွက်ရလဒ်သည် အစွန်းအထင်းအခြေခံလုပ်ဆောင်ချက်များအတွက် ရပ်တည်ပေးသည့် anchor point များပေါင်းစပ်မှုဖြစ်သည်။
ကျွန်ုပ်တို့သည် ရှုပ်ထွေးသော အချက်အလက်များကို ရှာဖွေကြည့်ရှုနိုင်ပြီး RBFN များကို အသုံးပြုခြင်းဖြင့် ဇာတ်လမ်းတစ်ခု မည်သို့ဖြစ်လာမည်ကို တိကျသော ခန့်မှန်းချက်များကို ထုတ်ပေးနိုင်သည်။
11. Multilayer Perceptrons (MLPs)
Multilayer perceptron (MLP) ဟုခေါ်သော အာရုံကြောကွန်ရက်၏ ပုံမှန်ပုံစံကို အမျိုးအစားခွဲခြားခြင်းနှင့် ဆုတ်ယုတ်ခြင်းကဲ့သို့သော ကြီးကြပ်ကွပ်ကဲမှုဆိုင်ရာ သင်ယူမှုလုပ်ငန်းများအတွက် အသုံးပြုသည်။ ၎င်းတို့သည် ချိတ်ဆက်ထားသော node များ သို့မဟုတ် နျူရွန်အလွှာများစွာကို အလွှာတစ်ခုစီမှ ဝင်လာသောဒေတာကို လိုင်းမဝင်ဘဲ ပြောင်းလဲခြင်းဖြင့် လုပ်ဆောင်သည်။
MLP တွင်၊ နျူရွန်တစ်ခုစီသည် အောက်အလွှာရှိ နျူရွန်များမှ သွင်းအားရယူပြီး အထက်အလွှာရှိ နျူရွန်များထံ အချက်ပြမှုတစ်ခု ပေးပို့သည်။ ကွန်ရက်ကို လိုင်းမဟုတ်သော ထုတ်ပေးသည့် activation လုပ်ဆောင်ချက်ကို အသုံးပြု၍ နျူရွန်တစ်ခုစီ၏ အထွက်ကို ဆုံးဖြတ်သည်။
၎င်းတို့သည် လျှို့ဝှက်အလွှာများစွာရှိနိုင်သောကြောင့် ၎င်းတို့သည် ထည့်သွင်းဒေတာ၏ ဆန်းပြားသောကိုယ်စားပြုမှုများကို သင်ယူနိုင်စွမ်းရှိသည်။
MLP များကို စိတ်ခံစားမှုခွဲခြမ်းစိတ်ဖြာခြင်း၊ လိမ်လည်မှုရှာဖွေခြင်း၊ အသံနှင့် ရုပ်ပုံအသိအမှတ်ပြုခြင်းစသည့် လုပ်ငန်းမျိုးစုံတွင် အသုံးပြုထားသည်။ MLP များသည် ခက်ခဲသောကိစ္စရပ်တစ်ခုကို ဖော်ထုတ်ရန် အတူတကွ ပူးပေါင်းလုပ်ဆောင်နေသော စုံစမ်းစစ်ဆေးသူအုပ်စုနှင့် နှိုင်းယှဉ်နိုင်သည်။
၎င်းတို့သည် သီးခြားနယ်ပယ်တစ်ခုစီရှိသော်လည်း အချက်အလက်များကို စုစည်းကာ မှုခင်းများကို အတူတကွဖြေရှင်းနိုင်သည်။
12. Convolutional Neural Networks (CNNs)
ရုပ်ပုံများနှင့် ဗီဒီယိုများကို အာရုံကြောကွန်ရက်ပုံစံတစ်ခုဖြစ်သည့် convolutional neural networks (CNNs) ဖြင့် လုပ်ဆောင်ပါသည်။ ၎င်းတို့သည် ထည့်သွင်းဒေတာမှ သိသာထင်ရှားသော ဝိသေသလက္ခဏာများကို ထုတ်ယူရန် သင်ယူနိုင်သော စစ်ထုတ်မှုများ သို့မဟုတ် ကာနယ်များကို အသုံးပြုခြင်းဖြင့် လုပ်ဆောင်သည်။
ဇကာများသည် ပုံ၏မရှိမဖြစ်ရှုထောင့်များကို ဖမ်းယူနိုင်သော အင်္ဂါရပ်မြေပုံတစ်ခုတည်ဆောက်ရန် ရှုပ်ထွေးမှုများလုပ်ဆောင်ကာ ထည့်သွင်းပုံအပေါ်တွင် လှည့်ပတ်နေပါသည်။
CNN များသည် ရုပ်ပုံသွင်ပြင်လက္ခဏာများ၏ အထက်အောက်ဖော်ပြချက်များကို လေ့လာနိုင်သောကြောင့် ၎င်းတို့သည် အမြင်အာရုံဒေတာများ များပြားစွာပါဝင်သည့် အခြေအနေများအတွက် အထူးအထောက်အကူဖြစ်စေပါသည်။ အပလီကေးရှင်းများစွာသည် အရာဝတ္ထုရှာဖွေခြင်း၊ ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်းနှင့် မျက်နှာသိရှိခြင်းကဲ့သို့သော ၎င်းတို့ကို အသုံးပြုထားသည်။
လက်ရာမြောက်စွာ ဖန်တီးရန် စုတ်တံများစွာကို အသုံးပြုသည့် ပန်းချီဆရာတစ်ဦးအနေဖြင့် CNN ကို သုံးသပ်ကြည့်ပါ။ စုတ်တံတစ်ခုစီသည် kernel တစ်ခုဖြစ်ပြီး အနုပညာရှင်သည် kernel အများအပြားကို ရောစပ်ခြင်းဖြင့် ရှုပ်ထွေးပြီး လက်တွေ့ဆန်သော ရုပ်ပုံတစ်ခုကို တည်ဆောက်နိုင်သည်။ ကျွန်ုပ်တို့သည် ဓာတ်ပုံများမှ သိသာထင်ရှားသော ဝိသေသလက္ခဏာများကို ထုတ်ယူနိုင်ပြီး CNN များကို အသုံးပြုခြင်းဖြင့် ပုံ၏အကြောင်းအရာများကို တိကျစွာခန့်မှန်းနိုင်ရန် ၎င်းတို့ကို အသုံးပြုနိုင်သည်။
13. Deep Belief Networks (DBNs)
DBNs များသည် အတိုင်းအတာ လျှော့ချခြင်းနှင့် အင်္ဂါရပ် သင်ယူခြင်းကဲ့သို့သော ကြီးကြပ်မှုမရှိဘဲ သင်ယူခြင်းလုပ်ငန်းများအတွက် အသုံးပြုသည့် အာရုံကြောကွန်ရက်ပုံစံတစ်ခုဖြစ်သည်။ ၎င်းတို့သည် Input data ကို ပြန်လည်ဖွဲ့စည်းရန် သင်ယူနိုင်သည့် နှစ်လွှာ အာရုံကြောကွန်ရက်များဖြစ်သည့် Restricted Boltzmann Machines (RBMs) ၏ အလွှာများစွာကို စုစည်းခြင်းဖြင့် လုပ်ဆောင်သည်။
DBN များသည် ထည့်သွင်းမှု၏ ကျစ်လျစ်ပြီး ထိရောက်သောကိုယ်စားပြုမှုကို လေ့လာနိုင်သောကြောင့် မြင့်မားသောဘက်မြင်ဒေတာပြဿနာများအတွက် အလွန်အကျိုးရှိသည်။ အသံအသိအမှတ်ပြုခြင်းမှ ရုပ်ပုံအမျိုးအစားခွဲခြင်းအထိ မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုအထိ မည်သည့်အရာအတွက်မဆို ၎င်းတို့ကို အသုံးချခဲ့သည်။
ဥပမာအားဖြင့်၊ သုတေသီများသည် အီစထရိုဂျင် receptor နှင့် ဆေးဝါးကိုယ်စားလှယ်များ၏ ဆက်စပ်မှုအား ခန့်မှန်းရန် DBN ကို အသုံးပြုခဲ့သည်။ DBN သည် ဓာတုဝိသေသလက္ခဏာများနှင့် ပေါင်းစပ်ဆက်စပ်မှုများ စုစည်းမှုအပေါ် လေ့ကျင့်သင်ကြားခဲ့ပြီး၊ ဆန်းသစ်သော မူးယစ်ဆေးဝါး ကိုယ်စားလှယ်လောင်းများ၏ ပေါင်းစပ်ဆက်စပ်မှုကို တိကျစွာ ခန့်မှန်းနိုင်ခဲ့သည်။
၎င်းသည် မူးယစ်ဆေးဖွံ့ဖြိုးတိုးတက်မှုနှင့် အခြားအဘက်ဘက်မှ မြင့်မားသောဒေတာအပလီကေးရှင်းများတွင် DBNs အသုံးပြုမှုကို မီးမောင်းထိုးပြသည်။
14. Autoencoders
Autoencoders များသည် ကြီးကြပ်မှုမရှိဘဲ သင်ယူခြင်းလုပ်ငန်းများအတွက် အသုံးပြုသည့် အာရုံကြောကွန်ရက်များဖြစ်သည်။ ၎င်းတို့သည် အချက်အလက်ကို သေးငယ်သော ကိုယ်စားပြုမှုအဖြစ် ကုဒ်ဝှက်ရန် သင်ယူပြီး မူရင်းထည့်သွင်းမှုသို့ ပြန်လည်ကုဒ်လုပ်ရန် သင်ယူရမည်ဟု အဓိပ္ပာယ်ရသည့် ထည့်သွင်းမှုဒေတာကို ပြန်လည်တည်ဆောက်ရန် ၎င်းတို့က ရည်ရွယ်ထားသည်။
Autoencoders များသည် ဒေတာချုံ့ခြင်း၊ ဆူညံသံများကို ဖယ်ရှားခြင်းနှင့် မမှန်မကန်သိရှိခြင်းအတွက် အလွန်ထိရောက်မှုရှိပါသည်။ အော်တိုကုဒ်ဒါ၏ ကျစ်လစ်သိပ်သည်းသော ကိုယ်စားပြုမှုကို ကြီးကြပ်ထားသော သင်ယူမှုလုပ်ငန်းတစ်ခုအဖြစ် ထည့်သွင်းပေးသည့် အင်္ဂါရပ်သင်ယူမှုတွင်လည်း ၎င်းတို့ကို အသုံးပြုနိုင်သည်။
စာသင်ခန်းတွင် မှတ်စုများယူနေသော ကျောင်းသားများသည် အော်တိုအင်န်ကုဒ်ကိရိယာများဟု မှတ်ယူပါ။ ကျောင်းသားသည် ဟောပြောပွဲကို နားထောင်ပြီး သက်ဆိုင်ရာအချက်များကို တိုတိုနှင့် ထိရောက်မှုအရှိဆုံးနည်းလမ်းဖြင့် ရေးမှတ်သည်။
နောက်ပိုင်းတွင် ကျောင်းသားသည် ၎င်းတို့၏ မှတ်စုများကို အသုံးပြု၍ သင်ခန်းစာကို လေ့လာပြီး မှတ်သားနိုင်သည်။ အခြားတစ်ဖက်တွင်မူ autoencoder သည် input data အား ကွဲလွဲမှားစွာသိရှိနိုင်မှု သို့မဟုတ် ဒေတာချုံ့ခြင်းကဲ့သို့သော ရည်ရွယ်ချက်အမျိုးမျိုးအတွက် နောက်ပိုင်းတွင်အသုံးပြုလာနိုင်သည့် သေးငယ်သောကိုယ်စားပြုမှုတစ်ခုအဖြစ် ကုဒ်လုပ်သည်။
15. ကန့်သတ်ထားသော Boltzmann စက်များ( RBMs)
RBMs (ကန့်သတ်ထားသော Boltzmann စက်များ) သည် ကြီးကြပ်မှုမရှိဘဲ သင်ယူခြင်းလုပ်ငန်းများအတွက် အသုံးပြုသည့် မျိုးဆက်ပွားအာရုံကြောကွန်ရက်အမျိုးအစားတစ်ခုဖြစ်သည်။ ၎င်းတို့ကို မြင်နိုင်သောအလွှာနှင့် လျှို့ဝှက်အလွှာတစ်ခုဖြင့် ဖွဲ့စည်းထားပြီး အလွှာတစ်ခုစီရှိ နျူရွန်များဖြင့် ချိတ်ဆက်ထားသော်လည်း တူညီသောအလွှာအတွင်း၌ မရှိပါ။
RBMs များသည် လေ့ကျင့်ရေးဒေတာ၏ ဖြစ်နိုင်ခြေကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရန်အတွက် မြင်သာသော နှင့် လျှို့ဝှက်အလွှာများကြား အလေးများကို ပြောင်းလဲပေးသည့် contrastive divergence ဟုခေါ်သော နည်းစနစ်ကို အသုံးပြု၍ လေ့ကျင့်ထားသည်။ လေ့လာထားသောဖြန့်ဝေမှုမှနမူနာယူခြင်းဖြင့် လေ့ကျင့်သင်ကြားပြီးနောက် RBM များသည် လတ်ဆတ်သောဒေတာကို ဖန်တီးနိုင်သည်။
ရုပ်ပုံနှင့် စကားပြော အသိအမှတ်ပြုမှု၊ ပူးပေါင်းစီစစ်ခြင်းနှင့် ကွဲလွဲချက်များကို ထောက်လှမ်းခြင်းတို့သည် RBMs များကို အလုပ်ခန့်ထားသော အပလီကေးရှင်းအားလုံးဖြစ်သည်။ အသုံးပြုသူ၏အပြုအမူပုံစံများကိုလေ့လာခြင်းဖြင့် အံဝင်ခွင်ကျအကြံပြုချက်များကိုဖန်တီးရန် ၎င်းတို့ကို အကြံပြုချက်စနစ်များတွင်လည်း အသုံးပြုထားသည်။
မြင့်မားသော ဘက်မြင်ဒေတာများ၏ ကျစ်လစ်ပြီး ထိရောက်သော ကိုယ်စားပြုမှုကို ဖန်တီးရန်အတွက် RBMs များကို အင်္ဂါရပ်လေ့လာသင်ယူမှုတွင်လည်း အသုံးပြုခဲ့သည်။
Horizon တွင် အကျဉ်းချုံးပြီး အလားအလာရှိသော တိုးတက်မှုများ
Convolutional Neural Networks (CNNs) နှင့် Recurrent Neural Networks (RNNs) ကဲ့သို့သော နက်နဲသောသင်ယူမှုနည်းလမ်းများသည် အဆင့်မြင့်ဆုံး ဉာဏ်ရည်တုချဉ်းကပ်နည်းများထဲတွင် ပါဝင်ပါသည်။ CNN များသည် ရုပ်ပုံနှင့် အသံ အသိအမှတ်ပြုမှုကို ပြောင်းလဲခဲ့ပြီး RNN များသည် သဘာဝဘာသာစကားဖြင့် လုပ်ဆောင်ခြင်းနှင့် ဆက်တိုက်ဒေတာ ခွဲခြမ်းစိတ်ဖြာခြင်းတွင် သိသိသာသာ တိုးတက်လာပါသည်။
ဤချဉ်းကပ်မှုများ၏ ဆင့်ကဲဖြစ်စဉ်၏ နောက်တဆင့်သည် ၎င်းတို့၏ ထိရောက်မှုနှင့် အတိုင်းအတာကို မြှင့်တင်ရန် အာရုံစိုက်ဖွယ်ရှိပြီး ၎င်းတို့သည် ပိုကြီးပြီး ရှုပ်ထွေးသော ဒေတာအတွဲများကို ခွဲခြမ်းစိတ်ဖြာနိုင်စေကာ ၎င်းတို့အား တံဆိပ်တပ်ထားသော ဒေတာနည်းပါးသော ဒေတာများမှ အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုနှင့် စွမ်းရည်ကို မြှင့်တင်ပေးမည်ဖြစ်သည်။
နက်ရှိုင်းစွာ သင်ယူခြင်းသည် ကျန်းမာရေးစောင့်ရှောက်မှု၊ ဘဏ္ဍာရေးနှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရစနစ်များကဲ့သို့သော နယ်ပယ်များတွင် အောင်မြင်မှုများကို ခွင့်ပြုနိုင်ခြေရှိသည်။
တစ်ဦးစာပြန်ရန် Leave