سالن تائين، گہرے سکيا ٽيڪ ۾ سرخيون ٺاهيندي رهي آهي. ۽، اهو سمجهڻ آسان آهي ڇو.
مصنوعي ذهانت جي هي شاخ صحت جي سار سنڀار کان بينڪنگ تائين ٽرانسپورٽ تائين شعبن کي تبديل ڪري رهي آهي، اڳ ۾ ناقابل تصور ترقي کي چالو ڪندي.
گہرے سکيا نفيس الگورتھم جي ھڪڙي سيٽ تي ٺهيل آھي جيڪي ڊيٽا جي وڏي مقدار مان پيچيده نمونن کي ڪڍڻ ۽ اڳڪٿي ڪرڻ سکندا آھن.
اسان هن پوسٽ ۾ بهترين 15 ڊيپ لرننگ الگورٿمس تي نظر وجهنداسين، ڪنوولوشنل نيورل نيٽ ورڪن کان جنريٽو ايڊورسريل نيٽ ورڪن تائين ڊگھي شارٽ ٽرم ميموري نيٽ ورڪن تائين.
هي پوسٽ ضروري بصيرت ڏيندو ته ڇا توهان آهيو شروعات ڪندڙ يا گہری سکيا ۾ هڪ ماهر.
1. ٽرانسفارمر نيٽ ورڪ
ٽرانسفارمر نيٽ ورڪ تبديل ٿي ويا آهن ڪمپيوٽر جو نقشو ۽ قدرتي ٻولي پروسيسنگ (NLP) ايپليڪيشنون. اهي ايندڙ ڊيٽا جو تجزيو ڪن ٿا ۽ ڊگھي رينج جي رشتن کي پڪڙڻ لاءِ توجه جي عمل کي ملازمت ڏين ٿا. اهو انهن کي تيز ڪري ٿو روايتي ترتيب کان ترتيب واري ماڊل کان.
ٽرانسفارمر نيٽ ورڪن کي پهريون ڀيرو پبليڪيشن ۾ بيان ڪيو ويو "توجه توهان سڀني جي ضرورت آهي" واسواني ايٽ ال پاران.
اهي هڪ انڪوڊر ۽ ڊيڪوڊر (2017) تي مشتمل آهن. ٽرانسفارمر ماڊل مختلف اين ايل پي ايپليڪيشنن ۾ ڪارڪردگي جو مظاهرو ڪيو آهي، بشمول جذبي تجزيه، متن جي درجه بندي، ۽ مشين ترجمو.
ٽرانسفارمر تي ٻڌل ماڊل پڻ استعمال ڪري سگھجن ٿيون ڪمپيوٽر جي وژن ۾ ايپليڪيشنن لاءِ. اهي اعتراض جي سڃاڻپ ۽ تصوير جي ڪيپشننگ انجام ڏئي سگھن ٿا.
2. ڊگھي مختصر مدت جي ميموري نيٽ ورڪ (LSTMs)
لانگ شارٽ ٽرم ميموري نيٽ ورڪ (LSTMs) جو هڪ روپ آهي نظرياتي نيٽورڪ خاص طور تي ترتيب وار ان پٽ کي سنڀالڻ لاءِ ٺهيل. انهن کي "ڊگهي مختصر مدت" جي طور تي حوالو ڏنو ويو آهي ڇاڪاڻ ته اهي غير ضروري معلومات کي وسارڻ دوران هڪ ڊگهو وقت اڳ جي ڄاڻ کي ياد ڪري سگهن ٿا.
LSTMs ڪجھ "دروازن" ذريعي هلن ٿا جيڪي نيٽ ورڪ اندر معلومات جي وهڪري کي سنڀاليندا آهن. ان تي منحصر آهي ته ڇا معلومات اهم آهي يا نه، اهي دروازا يا ته ان کي اجازت ڏين يا ان کي روڪي سگهن.
هي ٽيڪنڪ LSTMs کي قابل بنائي ٿي ياد ڪرڻ يا وسارڻ جي معلومات ماضي جي وقت جي مرحلن مان، جيڪو ڪمن لاءِ نازڪ آهي جهڙوڪ تقرير جي سڃاڻپ، قدرتي ٻولي پروسيسنگ، ۽ ٽائيم سيريز جي اڳڪٿي.
LSTMs انتهائي فائديمند آهن ڪنهن به صورت ۾ جتي توهان وٽ ترتيب وار ڊيٽا آهي جنهن جو جائزو ورتو وڃي يا اڳڪٿي ڪئي وڃي. اهي اڪثر استعمال ڪيا ويندا آهن آواز جي سڃاڻپ واري سافٽ ويئر ۾ ڳالهائيندڙ لفظن کي متن ۾ تبديل ڪرڻ لاء، يا اندر ٻڌي جي منڊي اڳئين ڊيٽا جي بنياد تي مستقبل جي قيمتن جي اڳڪٿي ڪرڻ جو تجزيو.
3. خود ترتيب ڏيڻ وارا نقشا (SOMs)
SOMs هڪ قسم جي مصنوعي آهن اعصابي نيٽ ورڪ جيڪو سکي سگھي ٿو ۽ گهٽ ماپي ماحول ۾ پيچيده ڊيٽا جي نمائندگي ڪن ٿا. اهو طريقو هلندي آهي اعليٰ جہتي ان پٽ ڊيٽا کي ٻه طرفي گرڊ ۾ تبديل ڪري، هر يونٽ يا نيورون ان پٽ اسپيس جي مختلف حصي جي نمائندگي ڪري ٿو.
نيورسن هڪٻئي سان ڳنڍيل آهن ۽ هڪ اعلي سطحي جوڙجڪ ٺاهي رهيا آهن، انهن کي سکڻ ۽ ان پٽ ڊيٽا کي ترتيب ڏيڻ جي اجازت ڏئي ٿو. تنهن ڪري، SOM غير نگراني ٿيل سکيا تي ٻڌل آهي.
الورورٿم جي ضرورت ناهي ليبل ٿيل ڊيٽا کان سکڻ. ان جي بدران، ان پٽ ڊيٽا جي شمارياتي خصوصيتن کي استعمال ڪري ٿو نمونن ۽ متغيرن جي وچ ۾ لاڳاپا ڳولڻ لاء.
ٽريننگ اسٽيج دوران، نيورسن ان پٽ ڊيٽا جو بهترين اشارو هجڻ جو مقابلو ڪن ٿا. ۽، اھي پاڻ کي منظم ڪن ٿا ھڪڙي بامعني ڍانچي ۾. SOMs ۾ ايپليڪيشنن جو هڪ وسيع سلسلو آهي، بشمول تصوير ۽ تقرير جي سڃاڻپ، ڊيٽا مائننگ، ۽ نمونن جي سڃاڻپ.
اهي لاء مفيد آهن پيچيده ڊيٽا کي ڏسڻ، لاڳاپيل ڊيٽا پوائنٽن کي ڪلستر ڪرڻ، ۽ غير معموليات يا ٻاهران ڳولڻ.
4. گہرے مضبوطي جي سکيا
ديپ تقليد سکڻ مشين سکيا جو هڪ قسم آهي جنهن ۾ هڪ ايجنٽ کي تربيت ڏني ويندي آهي فيصلا ڪرڻ جي لاءِ انعامي نظام جي بنياد تي. اهو ڪم ڪري ٿو ايجنٽ کي ان جي آس پاس سان لهه وچڙ ۾ ۽ آزمائش ۽ غلطي ذريعي سکڻ.
ايجنٽ کي هر عمل لاءِ انعام ڏنو ويندو آهي جيڪو اهو ڪندو آهي، ۽ ان جو مقصد اهو سکڻ آهي ته وقت سان گڏ ان جي فائدن کي ڪيئن بهتر بڻايو وڃي. اهو استعمال ٿي سگهي ٿو ايجنٽن کي سيکارڻ لاءِ رانديون کيڏڻ، گاڏيون هلائڻ، ۽ روبوٽ کي به منظم ڪرڻ.
Q-Learning هڪ مشهور ڊيپ رينفورسمينٽ لرننگ طريقو آهي. اهو هڪ خاص رياست ۾ هڪ خاص عمل ڪرڻ جي قيمت جو جائزو وٺڻ ۽ انهي تخميني کي تازه ڪاري ڪندي جيئن ايجنٽ ماحول سان رابطو ڪري ٿو.
ايجنٽ وري انهن تخمينن کي استعمال ڪري ٿو اهو طئي ڪرڻ لاءِ ته ڪهڙو عمل سڀ کان وڏو انعام جو نتيجو آهي. Q-Learning استعمال ڪيو ويو آهي ايجنٽن کي تعليم ڏيڻ لاءِ Atari رانديون کيڏڻ لاءِ، انهي سان گڏ ڊيٽا سينٽرن ۾ توانائي جي استعمال کي بهتر بڻائڻ لاءِ.
ڊيپ Q-Networks هڪ ٻيو مشهور ڊيپ رينفورسمينٽ لرننگ طريقو (DQN) آهي. DQNs Q-Learning سان ملندڙ جلندڙ آهن ته اهي هڪ ٽيبل جي بجاءِ ڊيپ نيورل نيٽ ورڪ استعمال ڪندي عمل جي قدرن جو اندازو لڳائين ٿا.
اهو انهن کي قابل بنائي ٿو وڏي، پيچيده سيٽنگن سان معاملو ڪرڻ لاء ڪيترن ئي متبادل عملن سان. DQNs استعمال ڪيا ويا آهن ايجنٽن کي ٽريننگ ڏيڻ لاءِ رانديون کيڏڻ لاءِ جيئن Go and Dota 2، انهي سان گڏ روبوٽ ٺاهڻ لاءِ جيڪي هلڻ سکن.
5. بار بار نيورل نيٽ ورڪ (RNNs)
RNNs هڪ قسم جو اعصابي نيٽ ورڪ آهي جيڪو اندروني حالت کي برقرار رکڻ دوران ترتيب واري ڊيٽا کي پروسيس ڪري سگهي ٿو. ان کي ائين سمجهو جيئن ڪو ماڻهو ڪتاب پڙهندو آهي، جتي هر لفظ هضم ٿي ويندو آهي، ان جي نسبت سان جيڪي اڳ ۾ آيا آهن.
تنهن ڪري RNNs ڪمن لاءِ مثالي آهن جهڙوڪ تقرير جي سڃاڻپ، ٻولي جي ترجمي، ۽ حتي هڪ جملي ۾ ايندڙ لفظ جي اڳڪٿي ڪرڻ.
RNNs ڪم ڪندي موٽڻ واري لوپ استعمال ڪندي هر دفعي جي آئوٽ کي ڳنڍڻ لاءِ قدم واپس ايندڙ وقت جي ان پٽ سان. اهو نيٽ ورڪ کي قابل بنائي ٿو اڳئين وقت جي قدم جي معلومات کي استعمال ڪرڻ لاءِ ان جي اڳڪٿين کي آگاهي ڏيڻ لاءِ مستقبل جي وقت جي قدمن لاءِ. بدقسمتي سان، هن جو مطلب اهو پڻ آهي ته RNNs غائب ٿيڻ واري تدريسي مسئلي لاء خطرناڪ آهن، جنهن ۾ ٽريننگ لاء استعمال ٿيل گريجوئيٽ تمام ننڍا ٿي ويندا آهن ۽ نيٽ ورڪ ڊگهي مدت جي رشتن کي سکڻ لاء جدوجهد ڪري ٿو.
هن ظاهري رڪاوٽ جي باوجود، آر اين اينز ايپليڪيشنن جي وسيع رينج ۾ استعمال ڪيا آهن. انهن ايپليڪيشنن ۾ قدرتي ٻولي پروسيسنگ، تقرير جي سڃاڻپ، ۽ حتي ميوزڪ جي پيداوار شامل آهن.
گوگل ٽرانسليٽمثال طور، سڀني ٻولين ۾ ترجمو ڪرڻ لاءِ آر اين اين تي ٻڌل سسٽم استعمال ڪري ٿو، جڏهن ته سري، ورچوئل اسسٽنٽ، آواز کي ڳولڻ لاءِ آر اين اين تي ٻڌل سسٽم استعمال ڪري ٿو. RNNs پڻ استعمال ڪيا ويا آھن اسٽاڪ جي قيمتن جي اڳڪٿي ڪرڻ ۽ حقيقي متن ۽ گرافڪس ٺاھيو.
6. ڪيپسول نيٽ ورڪ
ڪيپسول نيٽ ورڪ نيورل نيٽ ورڪ ڊيزائن جو هڪ نئون قسم آهي جيڪو ڊيٽا ۾ نمونن ۽ لاڳاپن کي وڌيڪ مؤثر طريقي سان سڃاڻي سگهي ٿو. اهي نيورسن کي "ڪيپسول" ۾ منظم ڪن ٿا جيڪي هڪ ان پٽ جي ڪجهه حصن کي انڪوڊ ڪن ٿا.
هن طريقي سان اهي وڌيڪ صحيح اڳڪٿيون ڪري سگهن ٿا. ڪيپسول نيٽ ورڪ ڪيپسول جي ڪيترن ئي تہن کي ملازمت ڪندي ان پٽ ڊيٽا مان ترقي يافته پيچيده خاصيتون ڪڍي ٿو.
ڪيپسول نيٽ ورڪ جي ٽيڪنڪ انهن کي قابل بنائي ٿي انهن کي ڏنل ان پٽ جي درجه بندي نمائندگي سکڻ جي. اهي ڪيپسول جي وچ ۾ رابطي سان تصوير جي اندر شيون جي وچ ۾ مقامي ڪنيڪشن کي صحيح طور تي انڪوڊ ڪري سگهن ٿا.
آبجیکٹ جي سڃاڻپ، تصويري ڀاڱيداري، ۽ قدرتي ٻولي پروسيسنگ سڀ ڪيپسول نيٽ ورڪ جون ايپليڪيشنون آهن.
ڪيپسول نيٽ ورڪ ۾ ملازم ٿيڻ جي صلاحيت آهي خودمختيار گاڏي ٽيڪنالاجيون. اهي سسٽم کي سڃاڻڻ ۽ انهن جي وچ ۾ فرق ڪرڻ ۾ مدد ڪن ٿا جهڙوڪ گاڏيون، ماڻهو، ۽ ٽرئفڪ جي نشانين. اهي سسٽم ٽڪرن کان بچي سگهن ٿا انهن جي ماحول ۾ شين جي رويي بابت وڌيڪ صحيح اڳڪٿيون ڪندي.
7. ويريشنل آٽو اينڪوڊرز (VAEs)
VAEs گہرے سکيا وارو اوزار جو ھڪڙو روپ آھي جيڪو غير نگراني ٿيل سکيا لاءِ استعمال ڪيو ويندو آھي. ڊيٽا کي انڪوڊنگ ڪرڻ سان گھٽ-ڊائيمينشنل اسپيس ۾ ۽ پوءِ ان کي واپس اصل فارميٽ ۾ ڊيڪوڊنگ ڪندي، اھي سکي سگھن ٿا ڊيٽا ۾ نمونن کي جڳھ ڪرڻ.
اهي هڪ جادوگر وانگر آهن، جيڪو هڪ خرگوش کي ٽوپي ۾ تبديل ڪري سگهي ٿو ۽ پوء ٻيهر هڪ خرگوش ۾! VAEs حقيقي بصري يا ميوزڪ ٺاهڻ لاءِ فائديمند آهن. ۽، اهي نئين ڊيٽا پيدا ڪرڻ لاء استعمال ڪري سگھجن ٿيون جيڪي اصل ڊيٽا جي مقابلي ۾ آهن.
VAEs رازداري ڪوڊ بريڪر سان ملندڙ جلندڙ آهن. اهي هيٺيون شيون ڳولي سگهن ٿيون ڊيٽا جو انچو ان کي آسان بٽن ۾ ٽوڙڻ سان، گهڻو ڪري جيئن ته ڪيئن هڪ پزل کي ٽوڙيو ويو آهي. اهي شايد انهي معلومات کي استعمال ڪري سگھن ٿيون نئين ڊيٽا ٺاهڻ لاءِ جيڪي انهن حصن کي ترتيب ڏيڻ کان پوءِ اصل وانگر نظر اچن ٿيون.
هي وڏيون فائلن کي گڏ ڪرڻ يا هڪ خاص انداز ۾ تازو گرافڪس يا ميوزڪ پيدا ڪرڻ لاءِ ڪارائتو ٿي سگهي ٿو. VAEs پڻ تازو مواد پيدا ڪري سگھن ٿا، جهڙوڪ خبرون ڪهاڻيون يا ميوزڪ غزل.
8. جنريٽيو ايڊورسريل نيٽ ورڪ (GANs)
GANs (Generative Adversarial Networks) هڪ گہرے سکيا واري نظام جو هڪ روپ آهي جيڪو نئون ڊيٽا ٺاهي ٿو جيڪو اصل سان مشابهت رکي ٿو. اهي ٻن نيٽ ورڪن جي تربيت ذريعي هلن ٿا: هڪ جنريٽر ۽ هڪ ڊسڪريمنٽر نيٽ ورڪ.
جنريٽر نئين ڊيٽا پيدا ڪري ٿو جيڪا اصل جي مقابلي ۾ آهي.
۽، تبعيض ڪندڙ اصل ۽ ٺاهيل ڊيٽا جي وچ ۾ فرق ڪرڻ جي ڪوشش ڪري ٿو. ٻن نيٽ ورڪن کي ٽينڊم ۾ تربيت ڏني وئي آهي، جنريٽر سان تعصب ڪندڙ کي دوکو ڏيڻ جي ڪوشش ڪري ٿو ۽ تبعيض ڪندڙ اصل ڊيٽا کي صحيح طور تي سڃاڻڻ جي ڪوشش ڪري ٿو.
غور ڪريو GANs کي جعلسازي ۽ جاسوس جي وچ ۾ ڪراس. جنريٽر ڪم ڪري ٿو ساڳيءَ طرح جعلسازي وانگر، نئين آرٽ ورڪ پيدا ڪري ٿو جيڪو اصل سان مشابهت رکي ٿو.
تبعيض ڪندڙ هڪ جاسوس طور ڪم ڪري ٿو، حقيقي فنڪار ۽ جعلسازي جي وچ ۾ فرق ڪرڻ جي ڪوشش ڪري ٿو. ٻن نيٽ ورڪن کي ٽينڊم ۾ تربيت ڏني وئي آهي، جنريٽر کي بهتر بڻائيندڙ جعلي ٺاهڻ ۾ ۽ تبعيض ڪندڙ انهن کي سڃاڻڻ ۾ بهتري سان.
GANs جا ڪيترائي استعمال آھن، جن ۾ انسانن يا جانورن جون حقيقي تصويرون پيدا ڪرڻ کان وٺي نئين موسيقي يا لکڻ تائين. اهي ڊيٽا جي واڌاري لاءِ پڻ استعمال ٿي سگھن ٿا، جنهن ۾ پيدا ڪيل ڊيٽا کي حقيقي ڊيٽا سان گڏ ڪرڻ شامل آهي ٽريننگ مشين لرننگ ماڊلز لاءِ هڪ وڏو ڊيٽا سيٽ ٺاهڻ لاءِ.
9. ڊيپ Q-Networks (DQNs)
ڊيپ Q-Networks (DQNs) ھڪ قسم جو فيصلو سازي کي مضبوط ڪرڻ واري سکيا وارو الگورتھم آھي. اهي هڪ ق-فنڪشن کي سکڻ سان هلائيندا آهن جيڪي ڪنهن خاص حالت ۾ هڪ خاص عمل ڪرڻ لاءِ متوقع انعام جي اڳڪٿي ڪن ٿا.
Q-فنڪشن آزمائشي ۽ غلطي جي ذريعي سيکاريو ويندو آهي، الگورتھم سان مختلف عملن جي ڪوشش ڪندي ۽ نتيجن مان سکڻ.
ان تي غور ڪريو جيئن ويڊيو جو شڪار ڪردار مختلف ڪارناما سان تجربا ڪري رهيا آهن ۽ دريافت ڪن ٿا ته ڪير ڪاميابي ڏانهن وٺي وڃي ٿو! DQNs هڪ گہرے اعصابي نيٽ ورڪ کي استعمال ڪندي Q-فنڪشن کي تربيت ڏين ٿا، انهن کي مشڪل فيصلا ڪرڻ واري ڪمن لاءِ موثر اوزار بڻائي ٿو.
انهن راندين ۾ انساني چيمپئن کي به شڪست ڏني آهي جهڙوڪ Go ۽ شطرنج، انهي سان گڏ روبوٽڪس ۽ خود ڊرائيونگ گاڏين ۾. تنهن ڪري، مجموعي طور تي، DQNs تجربي مان سکڻ سان ڪم ڪن ٿا ته جيئن وقت سان گڏ انهن جي فيصلي سازي جي صلاحيتن کي وڌايو وڃي.
10. ريڊيل بيسز فنڪشن نيٽ ورڪ (RBFNs)
ريڊيل بيسز فڪشن نيٽ ورڪ (RBFNs) ھڪ قسم جو عصبي نيٽ ورڪ آھي جيڪو استعمال ڪيو ويندو آھي لڳ ڀڳ ڪم ڪرڻ ۽ درجه بندي جي ڪمن کي انجام ڏيڻ لاءِ. اهي ريڊيل بنيادن جي ڪمن جو مجموعو استعمال ڪندي ان پٽ ڊيٽا کي اعليٰ جہتي اسپيس ۾ تبديل ڪندي ڪم ڪن ٿا.
نيٽ ورڪ جو آئوٽ پٽ بنيادي ڪمن جو هڪ لڪير ميلاپ آهي، ۽ هر ريڊيل بنياد فنڪشن ان پٽ اسپيس ۾ سينٽر پوائنٽ جي نمائندگي ڪري ٿو.
RBFNs خاص طور تي پيچيده ان پٽ-آئوٽ پُٽ رابطي وارين حالتن لاءِ اثرائتو آھن، ۽ انھن کي ٽيڪنالاجي جي وسيع رينج کي استعمال ڪندي سيکاريو وڃي ٿو، بشمول نگراني ۽ غير نگراني ٿيل سکيا. اهي استعمال ڪيا ويا آهن مالي اڳڪٿين کان وٺي تصوير ۽ تقرير جي سڃاڻپ تائين طبي تشخيص تائين.
RBFNs کي هڪ GPS سسٽم جي طور تي غور ڪريو جيڪو لنگر پوائنٽن جو هڪ سلسلو استعمال ڪري ٿو ان کي مشڪل خطن ۾ رستو ڳولڻ لاءِ. نيٽ ورڪ جي پيداوار لنگر پوائنٽن جو هڪ ميلاپ آهي، جيڪو ريڊيل بنيادن جي ڪمن لاء بيٺو آهي.
اسان پيچيده معلومات ذريعي براؤز ڪري سگھون ٿا ۽ درست اڳڪٿيون پيدا ڪري سگھون ٿا ته آر بي ايف اينز کي ملازمت ڏيڻ سان ڪيئن منظرنامو سامهون ايندو.
11. Multilayer Perceptrons (MLPs)
اعصابي نيٽ ورڪ جو هڪ عام روپ جنهن کي ملٽي ليئر پرسيپٽرون (MLP) سڏيو ويندو آهي، استعمال ڪيو ويندو آهي نگراني ڪيل سکيا جي ڪمن جهڙوڪ درجه بندي ۽ رجعت. اهي ڳنڍيل نوڊس، يا نيورسن جي ڪيترن ئي تہن کي اسٽيڪ ڪندي، هر پرت سان غير لڪير سان ايندڙ ڊيٽا کي تبديل ڪندي.
هڪ ايم ايل پي ۾، هر نيورون هيٺئين پرت ۾ نيورسن مان ان پٽ حاصل ڪري ٿو ۽ مٿين پرت ۾ نيورسن ڏانهن سگنل موڪلي ٿو. هر نيورون جي پيداوار هڪ ايڪٽيوشن فنڪشن استعمال ڪندي طئي ڪيو ويو آهي، جيڪو نيٽ ورڪ کي غير لڪير ڏئي ٿو.
اهي ان پٽ ڊيٽا جي نفيس نمائندگي کي سکڻ جي قابل آهن ڇو ته انهن وٽ ڪيترائي لڪيل پرت هوندا.
MLPs کي مختلف ڪمن تي لاڳو ڪيو ويو آھي، جھڙوڪ جذبي جو تجزيو، فراڊ جو پتو لڳائڻ، ۽ آواز ۽ تصوير جي سڃاڻپ. MLPs جو مقابلو ٿي سگھي ٿو تحقيق ڪندڙن جي ھڪڙي گروپ سان گڏ ڪم ڪرڻ لاءِ ھڪڙو مشڪل ڪيس کي ٽوڙڻ لاءِ.
گڏو گڏ، اهي حقيقتن کي گڏ ڪري سگھن ٿا ۽ جرم کي حل ڪري سگھن ٿا، ان حقيقت جي باوجود ته هر هڪ خاص علائقي جو هڪ خاص علائقو آهي.
12. Convolutional Neural Networks (CNNs)
تصويرن ۽ وڊيوز تي عمل ڪيو ويندو آهي convolutional neural networks (CNNs) استعمال ڪندي، هڪ قسم جو نيورل نيٽ ورڪ. اهي ڪم ڪن ٿا سکيا لائق فلٽرن جي هڪ سيٽ کي استعمال ڪندي، يا ڪنيل، ان پٽ ڊيٽا مان اهم خاصيتون ڪڍڻ لاءِ.
فلٽر ان پٽ تصوير تي چڙهندا آهن، هڪ فيچر ميپ ٺاهڻ لاءِ سازشن تي عمل ڪندا آهن جيڪي تصوير جي ضروري پهلوئن کي پڪڙيندا آهن.
جيئن ته CNNs تصويرن جي خاصيتن جي درجيبندي نمائندگي کي سکڻ جي قابل آهن، اهي خاص طور تي انهن حالتن لاء مددگار آهن جن ۾ بصري ڊيٽا جي وڏي مقدار شامل آهي. ڪيترن ئي ايپليڪيشنن انهن کي استعمال ڪيو آهي، جهڙوڪ اعتراض جي سڃاڻپ، تصوير جي درجه بندي، ۽ منهن جي سڃاڻپ.
CNNs کي هڪ پينٽر جي طور تي غور ڪريو جيڪو هڪ شاهڪار ٺاهڻ لاءِ ڪيترائي برش استعمال ڪري ٿو. هر برش هڪ دانا آهي، ۽ فنڪار ڪيترن ئي داڻن کي گڏ ڪندي هڪ پيچيده، حقيقي تصوير ٺاهي سگهي ٿو. اسان تصويرن مان اھم خاصيتون ڪڍي سگھون ٿا ۽ انھن کي استعمال ڪري سگھون ٿا تصوير جي مواد جي صحيح اڳڪٿي ڪرڻ لاءِ CNNs استعمال ڪندي.
13. ڊيپ بيليف نيٽ ورڪ (DBNs)
DBNs عصبي نيٽ ورڪ جو ھڪڙو روپ آھي جيڪو غير نگراني ٿيل سکيا جي ڪمن لاءِ استعمال ڪيو ويندو آھي جھڙوڪ dimensionality reduction ۽ فيچر لرننگ. اهي پابنديون بولٽزمن مشين (RBMs) جي ڪيترن ئي تہن کي اسٽيڪ ڪندي ڪم ڪن ٿيون، جيڪي ٻه پرت نيورل نيٽ ورڪ آهن جيڪي ان پٽ ڊيٽا کي ٻيهر ترتيب ڏيڻ لاء سکڻ جي قابل آهن.
DBNs تمام گهڻي فائدي واري ڊيٽا جي مسئلن لاءِ آهن ڇاڪاڻ ته اهي سکي سگهن ٿا هڪ جامع ۽ موثر نمائندگي ان پٽ جي. انهن کي استعمال ڪيو ويو آهي آواز جي سڃاڻپ کان وٺي تصوير جي درجه بندي تائين دوا جي دريافت تائين.
مثال طور، محقق ايسٽروجن ريڪٽر کي دوائن جي اميدوارن جي پابند لاڳاپي جو اندازو لڳائڻ لاءِ ڊي بي اين کي ملازمت ڏني. DBN کي ڪيميائي خاصيتن ۽ پابند لاڳاپن جي مجموعن تي تربيت ڏني وئي، ۽ اهو صحيح طور تي ناول جي دوا جي اميدوارن جي پابند لاڳاپي جي اڳڪٿي ڪرڻ جي قابل هئي.
هي نمايان ڪري ٿو DBNs جي استعمال ۾ منشيات جي ترقي ۽ ٻين اعليٰ جہتي ڊيٽا ايپليڪيشنن.
14. آٽو ڪوڊرز
آٽو اينڪوڊرز نيورل نيٽ ورڪ آهن جيڪي غير نگراني ٿيل سکيا جي ڪمن لاءِ استعمال ڪيا ويندا آهن. انهن جو مقصد آهي ته ان پٽ ڊيٽا کي ٻيهر ترتيب ڏيڻ، جنهن جو مطلب آهي ته اهي معلومات کي انڪوڊ ڪرڻ سکندا هڪ جامع نمائندگي ۾ ۽ پوءِ ان کي واپس اصل ان پٽ ۾ ڊيڪوڊ ڪندا.
آٽو اينڪوڊرز ڊيٽا جي ڪمپريشن، شور کي ختم ڪرڻ، ۽ بي ترتيبي جي ڳولا لاءِ تمام اثرائتو آهن. اهي خصوصيت جي سکيا لاءِ پڻ استعمال ڪري سگھجن ٿيون، جتي آٽو اينڪوڊر جي ڪمپيڪٽ نمائندگي کي هڪ نگراني ڪيل سکيا واري ڪم ۾ شامل ڪيو ويندو آهي.
ڪلاس ۾ نوٽس وٺندڙ شاگردن کي آٽو انڪوڊرن تي غور ڪريو. شاگرد ليڪچر ٻڌي ٿو ۽ تمام لاڳاپيل نقطن کي مختصر ۽ موثر انداز ۾ لکي ٿو.
بعد ۾، شاگرد پنهنجي نوٽس استعمال ڪندي سبق پڙهي ۽ ياد ڪري سگهي ٿو. هڪ آٽو اينڪوڊر، ٻئي طرف، انپٽ ڊيٽا کي انڪوڊ ڪري ٿو هڪ جامع نمائندگي ۾ جيڪو بعد ۾ مختلف مقصدن لاءِ استعمال ڪيو وڃي ٿو جهڙوڪ انوملي ڳولڻ يا ڊيٽا کمپريشن.
15. محدود بولٽزمان مشينون (RBMs)
RBMs (Restricted Boltzmann Machines) ھڪ قسم جي پيدا ٿيندڙ نيورل نيٽ ورڪ آھن جيڪي غير نگراني ٿيل سکيا جي ڪمن لاءِ استعمال ٿين ٿيون. اهي هڪ ظاهري پرت ۽ لڪيل پرت مان ٺهيل آهن، هر پرت ۾ نيورون سان، ڳنڍيل آهن پر ساڳئي پرت جي اندر نه.
RBMs هڪ ٽيڪنڪ استعمال ڪندي تربيت ڏني وئي آهي جنهن کي متضاد تڪرار طور سڃاتو وڃي ٿو، جنهن ۾ ٽريننگ ڊيٽا جي امڪان کي بهتر ڪرڻ لاءِ ظاهر ۽ پوشيده تہن جي وچ ۾ وزن کي تبديل ڪرڻ شامل آهي. RBMs سکيا حاصل ڪيل ورڇ مان نمونو وٺي تربيت حاصل ڪرڻ کان پوءِ تازو ڊيٽا ٺاهي سگھي ٿو.
تصوير ۽ تقرير جي سڃاڻپ، تعاون واري فلٽرنگ، ۽ بي ترتيبي جي سڃاڻپ اهي سڀئي ايپليڪيشنون آهن جن کي RBMs استعمال ڪيو ويو آهي. انهن کي پڻ استعمال ڪيو ويو آهي سفارش واري نظام ۾ استعمال ڪندڙ جي رويي مان سکڻ جي نمونن ذريعي ترتيب ڏنل سفارشون ٺاهڻ لاءِ.
RBMs پڻ استعمال ڪيا ويا آھن خصوصيت سکيا ۾ اعليٰ جہتي ڊيٽا جي ھڪڙي ٺھيل ۽ ڪارائتي نمائندگي ڪرڻ لاءِ.
افق تي لپ اپ ۽ ترقي يافته ترقي
گہرے سکيا جا طريقا، جهڙوڪ ڪنووليشنل نيورل نيٽ ورڪ (CNNs) ۽ Recurrent Neural Networks (RNNs)، سڀ کان وڌيڪ جديد مصنوعي ڄاڻ رکندڙ طريقن مان آهن. CNNs تصوير ۽ آڊيو جي سڃاڻپ کي تبديل ڪري ڇڏيو آهي، جڏهن ته RNNs قدرتي ٻولي پروسيسنگ ۽ ترتيب واري ڊيٽا جي تجزيو ۾ خاص طور تي ترقي ڪئي آهي.
انهن طريقن جي ارتقاء ۾ ايندڙ قدم جو امڪان آهي ته انهن جي ڪارڪردگي ۽ اسڪاليبلٽي کي بهتر بڻائڻ تي، انهن کي وڏي ۽ وڌيڪ پيچيده ڊيٽا سيٽن جو تجزيو ڪرڻ جي اجازت ڏئي، انهي سان گڏ انهن جي تشريح ۽ صلاحيت کي وڌائڻ جي گھٽ ليبل ٿيل ڊيٽا مان سکڻ جي صلاحيت.
گہرے سکيا کي شعبن ۾ پيش رفت جي اجازت ڏيڻ جو امڪان آهي جيئن ته صحت جي سار سنڀار، فنانس، ۽ خودمختيار نظام جيئن اڳتي وڌندو آهي.
جواب ڇڏي وڃو