Muddo sanado ah, barasho qoto dheer ayaa samaynaysay cinwaannada tignoolajiyada. Oo, way fududahay in la fahmo sababta.
Qaybtan sirdoonka macmalka ah waxay beddeshaa waaxaha u dhexeeya daryeelka caafimaadka ilaa bangiyada ilaa gaadiidka, taasoo awood u siinaysa horumar aan hore loo malayn karin.
Barashada qoto dheer waxay ku dhisan tahay tiro algorithms ah oo casri ah oo barata soo saarista iyo saadaalinta qaababka adag ee xogta baaxadda leh.
Waxaan ku eegi doonaa 15-ka algorithm ee ugu wanaagsan ee barashada qotodheer ee qoraalkan, laga bilaabo Shabakadaha Neural ee Convolutional ilaa Shabakadaha Adversarial Generative ilaa shabakadaha xusuusta muddada-gaaban.
Boostada waxay ku siin doontaa fikrado muhiim ah oo ku saabsan haddii aad tahay a bilow ama khabiir barasho qoto dheer.
1. Shabakadaha Transformer
Shabakadaha Transformer ayaa isbedelay aragtida kombiyuutarka iyo codsiyada habaynta luqadda dabiiciga ah (NLP). Waxay falanqeeyaan xogta soo socota waxayna shaqaaleeyaan hababka dareenka si ay u qabtaan cilaaqaadka fog Tani waxay ka dhigaysaa inay ka dhaqso badan yihiin moodooyinka isku xigxiga ee caadiga ah.
Shabakadaha Transformer-ka ayaa markii ugu horreysay lagu sifeeyay daabacaadda "Fiiro Gaar ah Waa Dhammaan Waxaad U Baahan Tahay" Vaswani et al.
Waxay ka kooban yihiin encoder iyo decoder (2017). Qaabka wax-bedelku waxa uu muujiyay waxqabadka codsiyada NLP ee kala duwan, oo ay ku jiraan falanqaynta dareenka, kala soocida qoraalka, iyo turjumaada mashiinka.
Moodooyinka ku-saleysan Transformer sidoo kale waxaa loo isticmaali karaa aragtida kombuyuutarka ee codsiyada. Waxay samayn karaan aqoonsiga shayga iyo qoraalka sawirka.
2. Shabakadaha xusuusta muddada-gaaban (LSTMs)
Shabakadaha xusuusta muddada-gaaban (LSTMs) waa nooc ka mid ah shabakada neuralada gaar ahaan loo dhisay in lagu xakameeyo gelinta taxanaha ah. Waxaa loogu yeeraa "muddo gaaban oo gaaban" sababtoo ah waxay dib u soo celin karaan aqoonta wakhti dheer ka hor iyagoo sidoo kale illoobaya macluumaadka aan loo baahnayn.
LSTM-yadu waxay ka shaqeeyaan qaar ka mid ah "albaabada" ee xukuma socodka macluumaadka gudaha shabakadda. Iyadoo ay ku xiran tahay in macluumaadka lagu qiimeeyay mid muhiim ah iyo in kale, albaabadani waxay u ogolaan karaan inay soo galaan ama ka hortagaan.
Farsamadan waxay awood u siinaysaa LSTM-yada inay dib u xasuustaan ama ay illoobaan macluumaadka tallaabooyinkii hore, taas oo muhiim u ah hawlaha sida aqoonsiga hadalka, habaynta luqadda dabiiciga ah, iyo saadaalinta taxanaha wakhtiga.
LSTMs aad bay faa'iido ugu leeyihiin xaalad kasta oo aad haysato xog xidhiidhsan oo ay tahay in la qiimeeyo ama la saadaaliyo. Inta badan waxaa loo adeegsadaa software-ka aqoonsiga codka si loogu beddelo erayada lagu hadlo qoraal, ama gudaha suuqa saamiyada falanqaynta si loo saadaaliyo qiimaha mustaqbalka ee ku salaysan xog hore.
3. Khariidadaha Is Abaabulka (SOMs)
SOMs waa nooc macmal ah neural network oo baran kara waxayna matalaan xogta adag ee jawi hoose. Habkani waxa uu ku shaqeeyaa iyada oo u beddelaysa xogta gelinta cabbirka sare leh oo u beddelaysa shabakad laba-cabbir ah, iyada oo unug kasta ama neuron uu ka dhigan yahay qayb ka duwan booska gelinta.
Neurons-yadu way isku xidhan yihiin waxayna abuuraan qaab dhismeed topological, taas oo u oggolaanaysa inay bartaan oo la qabsadaan xogta gelinta. Markaa, SOM waxay ku salaysan tahay waxbarasho aan la ilaalinayn.
Algorithm uma baahna xogta calaamadeysan in wax laga barto. Taa beddelkeeda, waxay isticmaashaa astaamaha tirakoobka ee xogta gelinta si ay u ogaato qaababka iyo isku xidhka doorsoomayaasha.
Inta lagu jiro marxaladda tababarka, neerfayaasha ayaa u tartamaya inay noqdaan tilmaanta ugu fiican ee xogta la soo geliyo. Oo, waxay iskood isu abaabulaan oo u noqdaan qaab dhismeed macno leh. SOMs waxay leeyihiin codsiyo kala duwan oo kala duwan, oo ay ku jiraan aqoonsiga sawirka iyo hadalka, xogta macdanta, iyo aqoonsiga qaabka.
Waxay faa'iido u leeyihiin sawirida xogta adag, ururinta xogta la xidhiidha, iyo ogaanshaha cilladaha ama waxyaabaha ka baxsan.
4. Barashada Xoojinta qoto dheer
Deep Xoojinta Waxbarashada waa nooc ka mid ah barashada mashiinka kaas oo wakiil lagu tababaray inuu sameeyo go'aamo ku salaysan nidaamka abaalmarinta. Waxay u shaqeysaa iyada oo u oggolaanaysa wakiilka inuu la falgalo hareerihiisa oo uu wax ku barto tijaabin iyo qalad.
Wakiilka waxaa lagu abaalmariyey fal kasta oo uu sameeyo, ujeeddadeeduna waa in uu barto sida loo wanaajiyo faa'iidooyinkeeda waqti ka dib. Tan waxa loo isticmaali karaa in lagu baro wakiilada inay ciyaaraan ciyaaraha, kaxaynta baabuurta, iyo xataa maaraynta robotsyada.
Q-Learning waa habka Barashada Xoojinta qoto dheer ee si fiican loo yaqaan. Waxay ku shaqeysaa iyadoo qiimeyneysa qiimaha sameynta ficil gaar ah gobol gaar ah iyo cusbooneysiinta qiyaastaas iyadoo wakiilku uu la falgalayo deegaanka.
Wakiilku wuxuu markaas isticmaalaa qiyaasahaan si uu u go'aamiyo ficilka ay u badan tahay inuu keeno abaalmarinta ugu weyn. Q-Learning ayaa loo isticmaalay in lagu baro wakiilada si ay u ciyaaraan ciyaaraha Atari, iyo sidoo kale si loo hagaajiyo isticmaalka tamarta ee xarumaha xogta.
Deep Q-Networks waa hab kale oo caan ah oo loo yaqaan 'Deep Reinforcement Learning' (DQN). DQNs waxay la mid yihiin Q-Learning in ay ku qiyaasaan qiyamka ficilka iyagoo isticmaalaya shabakad qotodheer oo neural halkii ay ka ahaan lahaayeen miis.
Tani waxay awood u siinaysaa inay la tacaalaan goobaha waaweyn, qalafsan ee leh ficillo badan oo kale. DQN-yada waxaa loo adeegsaday in lagu tababaro wakiilada ciyaarta sida Go iyo Dota 2, iyo sidoo kale in la sameeyo robots baran kara socodka.
5. Shabakadaha Neural-ka ee soo noqnoqda (RNNs)
RNNs waa nooc ka mid ah shabakada neerfaha kaas oo farsamayn kara xogta isku xigta iyadoo la ilaalinayo xaalad gudaha ah. U fiirso in ay la mid tahay qofka buug akhrinaya, halkaas oo kelmad kastaa ay ku shiiddo marka loo eego kuwii ka horreeyay.
Sidaa darteed RNN-yadu waxay ku fiican yihiin hawlaha sida aqoonsiga hadalka, tarjumaadda luqadda, iyo xitaa saadaalinta ereyga xiga ee jumlad.
RNN-yadu waxay ku shaqeeyaan iyagoo isticmaalaya wareegyada jawaab-celinta si ay ugu xidhaan wax-soo-saarka mar kasta oo dib loogu noqdo gelinta tallaabada xigta. Tani waxay awood u siinaysaa shabakada inay ka faa'iideysato macluumaadka talabada wakhtiga ka hor si ay ugu wargeliso saadaasha talaabooyinka wakhtiga mustaqbalka. Nasiib darro, tani waxay sidoo kale ka dhigan tahay in RNN-yadu ay u nugul yihiin arrinta is-jiid-jiidheedka, taas oo gradients-yada loo isticmaalo tababbarka ay noqdaan kuwo aad u yaryar oo shabakadu ay ku dhibtoonayso barashada cilaaqaadka muddada-dheer.
Iyadoo ay jirto caqabadan muuqata, RNN-yadu waxay heleen adeegsiga codsiyo kala duwan. Codsiyadan waxaa ka mid ah habaynta luqadda dabiiciga ah, aqoonsiga hadalka, iyo xitaa soo saarista muusiga.
Google turjumi, tusaale ahaan, waxay shaqaaleysiisaa nidaam ku salaysan RNN si loogu turjumo luqadaha, halka Siri, kaaliyaha farsamada, uu isticmaalo nidaamka ku salaysan RNN si loo ogaado codka. RNNs ayaa sidoo kale loo isticmaalay in lagu saadaaliyo qiimaha saamiyada oo loo abuuro qoraal iyo sawiro macquul ah.
6. Shabakadaha Kaabsoosha
Shabakadda Kaabsoosha waa nooc cusub oo nakhshad shabakad neerfaha ah oo aqoonsan karta qaababka iyo isku xidhka xogta si waxtar leh. Waxay u habeeyaan neurons "kaabsal" kuwaas oo qeexaya qaybo ka mid ah wax gelinta.
Sidan ayay u samayn karaan saadaal sax ah. Shabakadda Kaabsoosha waxay ka soo saartaa xogta si tartiib tartiib ah u cakiran xogta gelinta iyagoo isticmaalaya lakabyo badan oo kaabsal ah.
Farsamada Shabakadaha Kaabsoosha ayaa awood u siinaya inay bartaan matalaada kala sareynta ee talooyinka la bixiyay. Waxay si sax ah u codayn karaan isku xirka meelaha dhexmara shayada ku jira sawirka iyaga oo la xidhiidha kaabsalka dhexdooda.
Aqoonsiga shay, qaybinta sawirka, iyo habaynta luqadda dabiiciga ah waa dhammaan codsiyada Shabakadda Kaabsoosha.
Shabakadda Kaabsoosha ayaa leh awood lagu shaqaaleysiiyo Wadista baabuurta tignoolajiyada. Waxay ka caawiyaan nidaamka garashada iyo kala soocidda alaabta sida baabuurta, dadka, iyo calaamadaha taraafigga. Nidaamyadani waxay ka fogaan karaan isku dhacyada iyagoo samaynaya saadaal sax ah oo ku saabsan dabeecadda walxaha ku jira deegaankooda.
7. Kala duwanaanshaha Autoencoders (VAEs)
VAEs waa nooc ka mid ah qalab waxbarasho oo qoto dheer oo loo isticmaalo waxbarashada aan la ilaalin. Marka ay xogta ku meeleeyaan meel cabbir hoose ah ka dibna ay dib ugu dejiyaan qaabkii asalka ahaa, waxa laga yaabaa in ay bartaan in ay ogaadaan qaababka xogta.
Waxay la mid yihiin saaxirka oo bakayle u rogi kara koofiyad ka dibna dib ugu noqon kara bakayle! VAEs ayaa faa'iido u leh soo saarista muuqaalada ama muusiga dhabta ah. Iyo, waxaa loo isticmaali karaa in lagu soo saaro xog cusub oo la mid ah xogta asalka ah.
VAEs waxay la mid yihiin furaha sirta ah. Waxay ogaan karaan waxa hoose qaab dhismeedka xogta adigoo u kala qaybinaya qaybo ka fudud, sida sida halxiraalaha loo burburiyo. Waxaa laga yaabaa inay ka faa'iidaystaan macluumaadkaas si ay u dhisaan xog cusub oo u eg tii asalka ahayd ka dib markay kala hagaajiyaan qaybaha.
Tani waxay ku anfacaysaa isku-buufinta faylalka waaweyn ama soo saarista sawiro cusub ama muusig qaab gaar ah. VAEs sidoo kale waxay soo saari karaan waxyaabo cusub, sida sheekooyinka wararka ama heesaha muusiga.
8. Isku-xidhka Adversarial Networks (GANs)
GANs (Generative Adversarial Networks) waa nooc ka mid ah nidaamka barasho qoto dheer oo soo saara xog cusub oo u eg tii asalka ahayd. Waxay ku shaqeeyaan iyagoo tababaraya laba shabakadood: koronto-dhaliye iyo shabakad takoor.
Koronto-dhaliye wuxuu soo saaraa xog cusub oo la mid ah tan asalka ah.
Iyo, takooruhu wuxuu isku dayaa inuu kala saaro xogta asalka ah iyo tan la abuuray. Labada shabakadood ayaa loo tababaray isku-duubni, iyadoo koronto-dhaliye uu isku dayayo inuu khiyaaneeyo takoorka iyo takooriyuhu isku dayayo inuu si sax ah u aqoonsado xogta asalka ah.
U fiirso GAN-yada inay noqdaan iskutallaab u dhexeeya been-abuur iyo baadhye. Koronto-dhaliye wuxuu u shaqeeyaa si la mid ah been-abuuraha, isagoo soo saaraya farshaxan cusub oo u eg kii asalka ahaa.
Takoorku waxa uu u shaqeeyaa sidii baare, isaga oo isku dayaya in uu kala saaro farshaxanimada dhabta ah iyo been-abuurka. Labada shabakadood waxa loo tababbaray isku-dheelitirka, iyada oo koronto-dhaliye uu ku horumarayo samaynta been-abuurka macquulka ah iyo takooriduhu uu ku horumarayo aqoontooda.
GAN-yadu waxay leeyihiin adeegsiyaal dhowr ah, oo u dhexeeya soo saarista sawiro dhab ah oo bini-aadan ama xayawaan ah ilaa abuurista muusig ama qoraal cusub. Waxa kale oo loo isticmaali karaa kordhinta xogta, taas oo ku lug leh isku-darka xogta la soo saaray iyo xogta dhabta ah si loo dhiso xog-ururin weyn oo loogu talagalay qaababka barashada mashiinka.
9. Deep Q-Networks (DQNs)
Deep Q-Networks (DQNs) waa nooc ka mid ah go'aan qaadashada xoojinta barashada algorithm. Waxay ku shaqeeyaan iyagoo baranaya shaqada Q-shaqo saadaalinaysa abaalmarinta la filayo ee samaynta ficil gaar ah xaalad gaar ah.
Shaqada Q-shaqada waxaa lagu baraa tijaabo iyo khalad, iyadoo algorithmisku uu isku dayayo ficillo kala duwan oo uu ka barto natiijooyinka.
U fiirso sida a video ciyaarta dabeecada tijaabinta falal kala duwan oo ogaanaya kuwa guusha u horseedaya! DQNs waxay ku tababaraan shaqada Q-shaqada iyaga oo isticmaalaya shabakad neerfaha qoto dheer, iyaga oo ka dhigaya qalab wax ku ool ah oo loogu talagalay hawlaha go'aan qaadashada adag.
Waxay xitaa kaga adkaadeen horyaalada bini'aadamka ciyaaraha sida Go iyo chess, iyo sidoo kale robotics-ka iyo baabuurta iswada. Marka, dhammaan, DQNs waxay ku shaqeeyaan iyagoo khibrad ka baranaya si ay u xoojiyaan xirfadahooda go'aan-qaadasho waqti ka dib.
10. Shabakadaha Shabakadda Shaqada Radial Basis (RBFNs)
Shabakadaha Function Basis Radial Basis (RBFNs) waa nooc ka mid ah shabakada neural ee loo isticmaalo in lagu qiyaaso hawlaha iyo qabashada hawlaha kala soocida. Waxay ku shaqeeyaan iyagoo u beddelaya xogta gelinta meel bannaan oo cabbir sare leh iyadoo la adeegsanayo ururinta hawlaha saldhigga radial.
Wax-soo-saarka shabakadu waa isku-dar toos ah oo ka mid ah hawlaha asaasiga ah, iyo hawl kasta oo saldhigga radial waxay ka dhigan tahay barta dhexe ee booska wax-gelinta.
RBFN-yadu waxay si gaar ah waxtar ugu leeyihiin xaaladaha leh is dhex galka wax-soo-saarka oo adag, waxaana laga yaabaa in lagu baro iyadoo la adeegsanayo farsamooyin kala duwan, oo ay ku jiraan waxbarasho la kormeero iyo kuwo aan la ilaalin. Waxa loo adeegsaday wax kasta laga bilaabo saadaasha dhaqaalaha ilaa sawirka iyo aqoonsiga hadalka ilaa baadhitaanada caafimaadka.
Tixgeli RBFNs sidii nidaam GPS ah oo isticmaala dhibco barroosinno taxane ah si uu u helo waddo adag oo uu kaga gudbo dhul adag. Wax soo saarka shabakadu waa isku-darka dhibcaha barroosinka, kuwaas oo u taagan hawlaha asaasiga ah ee radial.
Waxaan ka dhex raadin karnaa macluumaadka adag waxaanan dhalin karnaa saadaal sax ah oo ku saabsan sida xaaladdu noqon doonto annaga oo shaqaaleyna RBFNs.
11. Multilayer Perceptrons (MLPs)
Qaabka caadiga ah ee shabakada neerfaha ee loo yaqaan 'multilayer perceptron' (MLP) ayaa loo isticmaalaa hawlaha waxbarasho ee la kormeerayo sida kala soocida iyo dib u noqoshada. Waxay ku shaqeeyaan iyagoo isku dhejinaya dhowr lakab oo noodhadhka isku xidhan, ama neurons, iyadoo lakab kastaa si aan toos ahayn u beddelayo xogta soo socota.
MLP gudaheeda, neuron kastaa wuxuu ka helaa talooyinka neerfayaasha ee lakabka hoose wuxuuna u diraa calaamada neerfayaasha lakabka sare. Wax soo saar kasta oo neuron ah ayaa lagu go'aamiyaa iyadoo la adeegsanayo hawl firfircooni, taas oo siinaya shabakada aan toos ahayn.
Waxay awood u leeyihiin inay bartaan matalaadda casriga ah ee xogta gelinta maadaama ay yeelan karaan dhowr lakab oo qarsoon.
MLP-yada ayaa lagu dabaqay hawlo kala duwan, sida falanqaynta dareenka, ogaanshaha khiyaanada, iyo aqoonsiga codka iyo sawirka. MLP-yada waxa laga yaabaa in lala barbar dhigo koox baadhayaal ah oo ka wada shaqaynaya sidii ay u jebin lahaayeen kiis adag.
Si wada jir ah, waxay isu geyn karaan xaqiiqooyinka oo ay u xallin karaan dembiga inkastoo xaqiiqda ah in mid kastaa leeyahay meel gaar ah oo gaar ah.
12. Isku xidhka Neural Networks (CNNs)
Sawirada iyo fiidyowyada waxa lagu farsameeyaa iyada oo la isticmaalayo shabakadaha neural-ka ee convolutional (CNNs), oo ah qaab shabakad neural ah. Waxay ku shaqeeyaan iyagoo isticmaalaya filtarrada la baran karo, ama kernels, si ay uga soo saaraan sifooyin muhiim ah xogta gelinta.
Shaandheeyayaashu waxay dul-boodayaan sawirka gelinta, iyagoo fulinaya is-daba-marin si ay u dhisaan khariidad muuqaal ah oo qabta dhinacyada muhiimka ah ee sawirka.
Maaddaama CNN-yadu ay u awoodaan inay bartaan qaababka kala sarraynta ee sifooyinka sawirka, waxay si gaar ah u caawiyaan xaaladaha ku lug leh tiro badan oo xog muuqaal ah. Dhawr codsi ayaa la isticmaalay, sida ogaanshaha shayga, kala saarista sawirka, iyo ogaanshaha wejiga.
Tixgeli CNN-yada sidii rinjiile isticmaala dhowr burush si uu u sameeyo farshaxan-yaqaan. Buraash kastaa waa kernel, farshaxanku waxa laga yaabaa inuu dhiso muuqaal adag, muuqaal macquul ah isagoo isku daraya kernels badan. Waxaan ka soo saari karnaa sifooyin muhiim ah sawirada waxaanan uga faa'iidaysan karnaa si aan si sax ah u saadaalino waxa ku jira sawirka anagoo adeegsanayna CNN-yada.
13. Shabakadda rumaysadka qoto dheer (DBNs)
DBNs waa nooc ka mid ah shabakada neerfaha oo loo isticmaalo hawlaha waxbarasho ee aan la kormeerin sida dhimista cabbirka iyo barashada muujinta. Waxay ku shaqeeyaan iyagoo isku dhejinaya dhowr lakab oo ah Mashiinnada Boltzmann ee xaddidan (RBMs), kuwaas oo ah shabakado neerfaha laba-lakab ah oo awood u leh inay bartaan inay dib u dhisaan xogta gelinta.
DBN-yadu aad bay faa'iido ugu leeyihiin arrimaha xogta cabbirka sare leh sababtoo ah waxay baran karaan matalaad kooban oo hufan ee gelinta. Waxa loo adeegsaday wax kasta laga bilaabo aqoonsiga codka ilaa kala saarista sawirka ilaa helitaanka daroogada.
Tusaale ahaan, cilmi-baarayaashu waxay shaqaaleysiiyeen DBN si ay u qiyaasaan xiriirka isku xirnaanta ee musharixiinta dawada ee soo-dhoweeyaha estrogen. DBN waxaa lagu tababaray ururinta sifooyin kiimikaad iyo isku xidhka xidhidhiyaha, waxayna awooday inay si sax ah u saadaaliso xidhiidhka xidhidhka ee musharaxiinta daroogada cusub.
Tani waxay muujinaysaa isticmaalka DBN-yada horumarinta daroogada iyo codsiyada kale ee xogta cabbirka sare leh.
14. Autoencoders
Autoencoders waa shabakado neural ah oo loo isticmaalo hawlaha waxbarasho ee aan la kormeerin. Waxaa loogu talagalay inay dib u dhis ku sameeyaan xogta gelinta, taas oo tusinaysa inay baran doonaan inay macluumaadka ku dhejiyaan matalaad is haysta ka dibna ay dib ugu dejiyaan gelinta asalka ah.
Autoencoders aad bay waxtar ugu leeyihiin isku-buufinta xogta, saarista qaylada, iyo ogaanshaha cilladaha. Waxa kale oo loo isticmaali karaa barashada sifada, halkaasoo iskoodhka is haysta ee is haysta lagu quudiyo hawl waxbarasho oo la kormeerayo.
Tixgeli autoencoders inay noqdaan arday wax ku qoraya fasalka. Ardaygu muxaadarada wuu dhageysanayaa oo si kooban oo hufan u qoraya qodobada ugu muhiimsan.
Ka dib, ardaygu waxa laga yaabaa inuu wax barto oo xasuusto casharka isagoo isticmaalaya qoraaladooda. Iskoodheeyaha, dhanka kale, waxa uu xogta geliyaa ku meeleeyaa matalid kooban oo laga yaabo in dabadeed loo shaqaaleysiiyo ujeedooyin kala duwan sida ogaanshaha cilladaha ama isku-ururinta xogta.
15. Mashiinada Boltzmann ee xaddidan (RBMs)
RBMs (Mashiinnada Boltzmann ee xaddidan) waa nooc ka mid ah shabakad neerfaha abuura oo loo isticmaalo hawlaha waxbarasho ee aan la kormeerin. Waxay ka kooban yihiin lakab muuqda iyo lakab qarsoon, oo leh neurons lakab kasta, oo ku xiran laakiin aan ku dhex jirin lakab isku mid ah.
RBM-yada waxaa lagu tababbaray iyadoo la adeegsanayo farsamo loo yaqaan kala-duwanaansho ka duwanaansho, taasoo keenaysa beddelidda miisaanka u dhexeeya lakabyada muuqda iyo kuwa qarsoon si loo wanaajiyo ixtimaalka xogta tababarka. RBM-yadu waxa laga yaabaa inay abuuraan xog cusub ka dib marka lagu tababaro muunad qaybinta la bartay.
Aqoonsiga sawirka iyo hadalka, shaandhaynta wada shaqaynta, iyo ogaanshaha cilladaha ayaa ah dhammaan codsiyada shaqaalaysiiyay RBM-yada. Waxa kale oo loo adeegsaday nidaamyada talada si loo abuuro talooyin ku habboon iyadoo laga baranayo qaababka hab-dhaqanka isticmaalaha.
RBM-yada waxaa sidoo kale loo adeegsaday barashada sifo si ay u abuuraan matalaad kooban oo hufan oo xog cabbir sare leh.
Isku soo wada duuboo iyo Horumarka Rajada leh ee Horizon
Hababka barasho qoto dheer, sida Convolutional Neural Networks (CNNs) iyo Networks Neural Recurrent (RNNs), ayaa ka mid ah hababka sirdoonka macmal ee ugu horumarsan. CNN-yadu waxay beddeleen aqoonsiga sawirka iyo maqalka, halka RNN-yadu ay si weyn ugu horumareen habaynta luqadda dabiiciga ah iyo falanqaynta xogta taxanaha ah.
Talaabada xigta ee horumarinta hababkan waxay u badan tahay inay diiradda saaraan hagaajinta waxtarkooda iyo miisaankooda, u oggolaanaya inay falanqeeyaan xog-ururinta waaweyn iyo kuwa ka sii adag, iyo sidoo kale kor u qaadida tafsiirkooda iyo kartidooda inay wax ka bartaan xogta aan calaamadsaneyn.
Barashada qoto dheer waxay leedahay suurtogalnimada oggolaanshaha horumarka dhinacyada sida daryeelka caafimaadka, maaliyadda, iyo nidaamyada madaxbannaan marka ay horumarto.
Leave a Reply