Ka lilemo tse ngata, thuto e tebileng e 'nile ea e-ba lihlooho tsa theknoloji. 'Me, ho bonolo ho utloisisa lebaka.
Lekala lena la bohlale ba maiketsetso le fetola mafapha ho tloha ho tsa bophelo bo botle ho isa ho libanka ho isa ho tsa lipalangoang, e leng se nolofalletsang tsoelo-pele eo pele e neng e sa nahanoa.
Thuto e tebileng e hahiloe holim'a li-algorithms tse tsoetseng pele tse ithutang ho hula le ho bolela esale pele lipaterone tse rarahaneng ho tsoa meqolong e mengata ea data.
Re tla sheba li-algorithms tse 15 tse tebileng tsa ho ithuta posong ena, ho tloha ho Convolutional Neural Networks ho isa ho Generative Adversarial Networks ho isa ho li-network tsa Memory tsa Nako e Khutšoane.
Poso ena e tla fana ka lintlha tsa bohlokoa tsa hore na u motho ea motho ya qalang kapa setsebi sa thuto e tebileng.
1. Transformer Networks
Li-network tsa Transformer li fetohile pono ea k'homphieutha le lits'ebetso tsa ts'ebetso ea puo ea tlhaho (NLP). Ba sekaseka lintlha tse kenang mme ba sebelisa mekhoa ea tlhokomelo ho hapa likamano tsa nako e telele. Sena se etsa hore li potlake ho feta mefuta e tloaelehileng ea tatelano ho ea ho tatellano.
Marang-rang a Transformer a ile a hlalosoa ka lekhetlo la pele khatisong ea "Tlhokomeliso Ke Sohle Seo U se Hlokang" ka Vaswani et al.
Li na le encoder le decoder (2017). Mohlala oa transformer o bonts'itse ts'ebetso lits'ebetsong tse fapaneng tsa NLP, ho kenyeletsoa maikutlo a maikutlo, karohano ea mongolo, le phetolelo ea mochini.
Mefuta e thehiloeng ho Transformer le eona e ka sebelisoa ponong ea khomphutha bakeng sa lits'ebetso. Ba ka etsa temoho ea ntho le tlhaloso ea setšoantšo.
2. Memory Memory Networks (LSTMs)
Memory Memory Networks ea nako e telele (LSTMs) ke mofuta oa neural network haholo-holo e hahiloeng ho sebetsana le ho kenya letsoho ka tatellano. Li bitsoa "nako e khutšoanyane ea nako e telele" hobane li khona ho hopola tsebo ea khale ha li ntse li lebala boitsebiso bo sa hlokahaleng.
Li-LSTM li sebetsa ka "liheke" tse ling tse laolang phallo ea tlhahisoleseding ka har'a marang-rang. Ho itšetlehile ka hore na boitsebiso bo nkoa e le ba bohlokoa kapa che, liheke tsena li ka li lumella ho kena kapa tsa li thibela.
Mokhoa ona o thusa li-LSTM ho hopola kapa ho lebala tlhahisoleseling ho tloha mehatong e fetileng, e leng bohlokoa bakeng sa mesebetsi e kang temoho ea puo, ts'ebetso ea puo ea tlhaho, le ponelopele ea letoto la nako.
Li-LSTM li molemo haholo maemong afe kapa afe moo u nang le data e latellanang e lokelang ho hlahlojoa kapa ho boleloa esale pele. Hangata li sebelisoa ho software e amohelang lentsoe ho fetolela mantsoe a buuoang hore e be mongolo, kapa ho 'maraka oa Stock tlhahlobo ho bolela esale pele litheko tsa nako e tlang ho latela data e fetileng.
3. Limmapa tse Itlhophisang (SOMs)
Li-SOM ke mofuta oa maiketsetso neural network e ka ithutang le ho emela lintlha tse rarahaneng sebakeng se tlaase-tlaase. Mokhoa ona o sebetsa ka ho fetola lintlha tse kentsoeng tsa maemo a holimo hore e be marang-rang a mahlakore a mabeli, 'me yuniti ka 'ngoe kapa neuron e emela karolo e fapaneng ea sebaka sa ho kenya.
Li-neurons li hokahane 'me li theha sebopeho sa topological, se li lumellang ho ithuta le ho ikamahanya le data ea ho kenya. Kahoo, SOM e ipapisitse le thuto e sa laoleheng.
Algorithm ha e hloke data e ngotsweng ho ithuta ho tsona. Ho e-na le hoo, e sebelisa lintlha tsa lipalo-palo tsa boitsebiso bo kentsoeng ho fumana mekhoa le likamano har'a mefuta e fapaneng.
Nakong ea mokhahlelo oa koetliso, li-neurone li qothisana lehlokoa ho ba pontšo e ntle ka ho fetisisa ea lintlha tse kentsoeng. 'Me, li itlhophisa ho ba sebopeho se nang le moelelo. Li-SOM li na le mefuta e mengata ea lits'ebetso, ho kenyeletsoa temoho ea litšoantšo le puo, merafo ea data, le temoho ea mohlala.
Li na le thuso bakeng sa ho bona data e rarahaneng, ho bokella lintlha tse amanang le lintlha, le ho lemoha lintho tse sa tloaelehang kapa tse ka ntle.
4. Thuto ea Matlafatso e Tebileng
Deep Ho Matlafatsa Ho ithuta ke mofuta oa ho ithuta ka mochini oo moemeli a koetlisetsoang ho etsa liqeto ho latela mokhoa oa moputso. E sebetsa ka ho lumella moemeli ho sebelisana le tikoloho ea eona le ho ithuta ka liteko le liphoso.
Moemeli o putsoa bakeng sa ketso e 'ngoe le e' ngoe eo a e etsang, 'me sepheo sa eona ke ho ithuta ho ntlafatsa melemo ea eona ha nako e ntse e ea. Sena se ka sebelisoa ho ruta baemeli ho bapala lipapali, ho khanna likoloi, esita le ho laola liroboto.
Q-Ho Ithuta ke mokhoa o tsebahalang haholo oa ho Reinforcement ho Ithuta. E sebetsa ka ho lekola boleng ba ho etsa ketso e itseng sebakeng se itseng le ho nchafatsa khakanyo eo ha moemeli a sebelisana le tikoloho.
Joale moemeli o sebelisa likhakanyo tsena ho fumana hore na ke ketso efe e ka tlisang moputso o moholohali. Q-Learning e 'nile ea sebelisoa ho ruta baemeli ho bapala lipapali tsa Atari, hammoho le ho ntlafatsa tšebeliso ea matla litsing tsa data.
Deep Q-Networks ke mokhoa o mong o tummeng oa ho Ithuta ka Matla a Matla (DQN). Li-DQN li tšoana le Q-Ho ithuta ka hore li hakanya litekanyetso tsa liketso ho sebelisa marang-rang a tebileng a methapo ho fapana le tafole.
Sena se ba nolofalletsa ho sebetsana le litlhophiso tse kholo, tse rarahaneng ka liketso tse ngata tse fapaneng. Li-DQN li 'nile tsa sebelisoa ho koetlisa baemeli ho bapala lipapali tse kang Go le Dota 2, hammoho le ho etsa liroboto tse ka ithutang ho tsamaea.
5. Marang-rang a Neural Networks (RNNs)
Li-RNN ke mofuta oa marang-rang a neural a ka sebetsanang le data e latellanang ha a ntse a boloka boemo ba ka hare. E nahane ka tsela e tšoanang le ea motho ea balang buka, moo lentsoe ka leng le chekoang ha le bapisoa le le tlileng pele ho eona.
Ka hona, li-RNN li nepahetse bakeng sa mesebetsi e kang temoho ea puo, phetolelo ea puo, esita le ho lepa lentsoe le latelang poleloaneng.
Li-RNN li sebetsa ka ho sebelisa li-loop tsa maikutlo ho hokahanya tlhahiso ea nako e 'ngoe le e 'ngoe ho khutlela ho seo u se kenyang nakong e tlang. Sena se nolofalletsa marang-rang ho sebelisa lintlha tsa mohato oa pele ho tsebisa likhakanyo tsa ona bakeng sa mehato ea nako e tlang. Ka bomalimabe, sena se boetse se bolela hore li-RNN li kotsing ea ho nyamela, moo li-gradients tse sebelisetsoang koetliso li fetohang tse nyane haholo mme marang-rang a thatafalloa ke ho ithuta likamano tsa nako e telele.
Leha ho na le tšitiso ena e hlakileng, li-RNN li fumane tšebeliso mefuteng e mengata ea lits'ebetso. Lisebelisoa tsena li kenyelletsa ts'ebetso ea puo ea tlhaho, temoho ea puo, esita le tlhahiso ea 'mino.
fetolela ka google, mohlala, o sebelisa mokhoa o thehiloeng ho RNN ho fetolela lipuong ka bophara, ha Siri, mothusi oa sebele, a sebelisa mokhoa o thehiloeng ho RNN ho lemoha lentsoe. Li-RNN li boetse li sebelisitsoe ho bolela esale pele litheko tsa setoko le ho theha mongolo le litšoantšo tsa 'nete.
6. Capsule Networks
Capsule Networks ke mofuta o mocha oa moralo oa marang-rang oa neural o ka khethollang lipaterone le khokahano ea data ka mokhoa o atlehileng haholoanyane. Ba hlophisa li-neurone ka "capsules" tse kenyelletsang likarolo tse itseng tsa ho kenya letsoho.
Ka tsela ena ba ka etsa likhakanyo tse nepahetseng haholoanyane. Capsule Networks e ntša thepa e ntseng e rarahana butle-butle ho tsoa ho data e kentsoeng ka ho sebelisa likarolo tse ngata tsa li-capsules.
Mokhoa oa Capsule Networks o ba thusa ho ithuta boemeli ba maemo a phahameng a tlhahiso e fanoeng. Ba ka kenyelletsa likamano tsa sebaka pakeng tsa lintho tse ka har'a setšoantšo ka ho buisana pakeng tsa li-capsules.
Ho tsebahatsa ntho, karohano ea litšoantšo, le ts'ebetso ea puo ea tlhaho kaofela ke lits'ebetso tsa Capsule Networks.
Capsule Networks e na le monyetla oa ho sebelisoa ho ho khanna ka boikemelo mahlale. Ba thusa tsamaiso ho lemoha le ho khetholla pakeng tsa lintho tse kang likoloi, batho le matšoao a tsela. Litsamaiso tsena li ka qoba ho thulana ka ho etsa likhakanyo tse nepahetseng haholoanyane mabapi le boitšoaro ba lintho tse tikolohong ea tsona.
7. Li-Autoencoder tse fapaneng (VAEs)
Li-VAE ke mofuta oa sesebelisoa se tebileng sa ho ithuta se sebelisetsoang ho ithuta ho sa hlokomeloe. Ka ho khouto data sebakeng se tlase-tlase ebe ba e khutlisa ka sebopeho sa mantlha, ba ka ithuta ho bona mekhoa ea data.
Ba tšoana le setsebi sa boselamose se khonang ho fetola mmutla katiba ebe se khutlela ho bunny! Li-VAE li molemo bakeng sa ho hlahisa litšoantšo kapa 'mino oa sebele. Hape, li ka sebelisoa ho hlahisa data e ncha e ka bapisoang le data ea pele.
Li-VAE li tšoana le li-codebreaker tsa lekunutu. Ba ka sibolla motheo sebopeho sa data ka ho e arola hore e be likotoana tse bonolo, joalo ka hore na puzzle e arohanngoa joang. Ba ka 'na ba sebelisa boitsebiso boo ho theha lintlha tse ncha tse shebahalang joaloka tsa pele ka mor'a ho hlophisa likarolo.
Sena se ka thusa ho hatella lifaele tse kholo kapa ho hlahisa litšoantšo tse ncha kapa 'mino ka mokhoa o itseng. Li-VAE le tsona li ka hlahisa litaba tse ncha, joalo ka lipale tsa litaba kapa mantsoe a 'mino.
8. Maqhubu a Hlahisang Adversarial (GANs)
Li-GAN (Generative Adversarial Networks) ke mofuta oa mokhoa o tebileng oa ho ithuta o hlahisang data e ncha e ts'oanang le ea pele. Ba sebetsa ka ho koetlisa marang-rang a mabeli: jenereithara le marang-rang a khethollo.
Jenereithara e hlahisa data e ncha e ka bapisoang le ea pele.
Hape, mokhethoa o leka ho khetholla pakeng tsa data ea pele le e entsoeng. Marang-rang ana a mabeli a koetliselitsoe ka mokhoa o ts'oanang, 'me jenereithara e leka ho thetsa mokhethoa le mokhethoa a leka ho tseba hantle lintlha tsa pele.
Ak'u nahane ka li-GAN e le phapang lipakeng tsa moferefere le lefokisi. Jenereithara e sebetsa ka mokhoa o ts'oanang le forger, e hlahisa litšoantšo tse ncha tse ts'oanang le tsa pele.
Motho ea khethollang o sebetsa e le lefokisi, ea lekang ho khetholla pakeng tsa mosebetsi oa sebele oa bonono le oa bohata. Marang-rang ana a mabeli a koetlisoa ka mokhoa o ts'oanang, 'me jenereithara e ntlafala ho etsa li-fakes tse utloahalang' me mokhethoa a ntlafala ho li lemoha.
Li-GAN li na le litšebeliso tse 'maloa, ho tloha ho hlahisa litšoantšo tsa sebele tsa batho kapa liphoofolo ho ea ho ho theha' mino o mocha kapa mongolo. Li ka boela tsa sebelisoa bakeng sa ho eketsa lintlha, tse kenyelletsang ho kopanya lintlha tse hlahisoang le data ea sebele ho haha dataset e kholoanyane bakeng sa mehlala ea ho ithuta ea mochine.
9. Deep Q-Networks (DQNs)
Deep Q-Networks (DQNs) ke mofuta oa ho etsa liqeto ho matlafatsa algorithm ea ho ithuta. Ba sebetsa ka ho ithuta Q-function e bolelang esale pele moputso o lebelletsoeng bakeng sa ho etsa ketso e itseng maemong a itseng.
Q-function e rutoa ka liteko le phoso, ka algorithm e lekang liketso tse fapaneng le ho ithuta ho tsoa ho liphetho.
E nahane joalo ka a papali ea video sebapali se lekang ka liketso tse fapaneng le ho fumana hore na ke life tse lebisang katlehong! Li-DQN li koetlisa ts'ebetso ea Q ka ho sebelisa marang-rang a tebileng a methapo ea kutlo, ho e etsa lisebelisoa tse sebetsang bakeng sa mesebetsi e thata ea ho etsa liqeto.
Ba bile ba hlōtse bo-’mampoli ba batho lipapaling tse kang Go le chess, hammoho le ho liroboto le likoloi tse itsamaisang. Kahoo, ka kakaretso, li-DQN li sebetsa ka ho ithuta ho tsoa ho boiphihlelo ho ntlafatsa tsebo ea bona ea ho etsa liqeto ka nako.
10. Radial Basis Function Networks (RBFNs)
Radial Basis Function Networks (RBFNs) ke mofuta oa marang-rang a neural a sebelisetsoang ho lekanya mesebetsi le ho etsa mesebetsi ea lihlopha. Li sebetsa ka ho fetola lintlha tsa ho kenya sebakeng sa boemo bo holimo li sebelisa pokello ea mesebetsi ea motheo ea radial.
Sephetho sa marang-rang ke motsoako o lekanang oa mesebetsi ea motheo, 'me mosebetsi o mong le o mong oa radial motheo o emela ntlha ea bohareng sebakeng sa ho kenya.
Li-RBFN li sebetsa hantle haholo maemong a nang le tšebelisano e rarahaneng ea tlhahiso-leseling, 'me li ka rutoa ho sebelisoa mekhoa e mengata e fapaneng, ho kenyeletsoa thuto e hlokometsoeng le e sa laoleheng. Li 'nile tsa sebelisoa bakeng sa eng kapa eng ho tloha ho likhakanyo tsa lichelete ho ea ho litšoantšo le ho lemoha puo ho ea ho tlhahlobo ea bongaka.
Nahana ka li-RBFN e le sistimi ea GPS e sebelisang letoto la lintlha tsa ankora ho fumana tsela ea eona ho pholletsa le sebaka se thata. Sephetho sa marang-rang ke motsoako oa lintlha tsa ankora, tse emang bakeng sa mesebetsi ea motheo ea radial.
Re ka bala lintlha tse rarahaneng le ho fana ka likhakanyo tse nepahetseng mabapi le hore na boemo bo tla ba joang ka ho sebelisa li-RBFN.
11. Multilayer Perceptrons (MLPs)
Mofuta o tloaelehileng oa marang-rang a marang-rang a bitsoang multilayer perceptron (MLP) o sebelisoa bakeng sa mesebetsi ea ho ithuta e hlokometsoeng joalo ka lihlopha le ho fokotseha. Li sebetsa ka ho bokella likarolo tse 'maloa tsa li-node tse hokahantsoeng, kapa li-neuron, 'me karolo e' ngoe le e 'ngoe e fetola data e kenang ntle le mola.
Ho MLP, neuron e 'ngoe le e' ngoe e fumana lintlha ho tsoa ho li-neuron tse ka tlase 'me e romela letšoao ho li-neurone tse ka holimo. Ntho e 'ngoe le e 'ngoe e hlahisoang ke neuron e khethoa ho sebelisoa ts'ebetso ea ts'ebetso, e fanang ka marang-rang a se nang moeli.
Ba khona ho ithuta boemeli bo rarahaneng ba data e kentsoeng kaha ba ka ba le likarolo tse 'maloa tse patiloeng.
Li-MLP li sebelisitsoe mesebetsing e fapaneng, joalo ka tlhahlobo ea maikutlo, ho lemoha bomenemene, le ho lemoha lentsoe le litšoantšo. Li-MLP li ka tšoantšoa le sehlopha sa bafuputsi ba sebetsang hammoho ho senya nyeoe e thata.
Hammoho, ba ka kopanya lintlha le ho rarolla botlokotsebe ho sa tsotellehe taba ea hore e mong le e mong o na le sebaka se itseng se ikhethang.
12. Convolutional Neural Networks (CNNs)
Litšoantšo le livideo li sebetsoa ho sebelisoa marang-rang a convolutional neural (CNNs), mofuta oa neural network. Li sebetsa ka ho sebelisa li-filters tse ka ithutoang, kapa li-kernels, ho fumana lintlha tsa bohlokoa ho data e kentsoeng.
Lisefe li thella holim'a setšoantšo, li etsa likhokahano ho theha 'mapa o nkang likarolo tsa bohlokoa tsa setšoantšo.
Kaha li-CNN li khona ho ithuta litšoantšiso tsa maemo a holimo tsa litšoaneleho tsa litšoantšo, li thusa haholo maemong a kenyelletsang lintlha tse ngata tse bonoang. Lisebelisoa tse 'maloa li li sebelisitse, joalo ka ho lemoha lintho, ho arola litšoantšo, le ho lemoha sefahleho.
Nahana ka li-CNN e le moetsi oa litšoantšo ea sebelisang borashe ba 'maloa ho etsa mosebetsi o tsoileng matsoho. Borashe ka 'ngoe ke thollo, 'me moetsi oa litšoantšo a ka etsa setšoantšo se rarahaneng, sa sebele ka ho kopanya lithollo tse ngata. Re ka fumana litšobotsi tsa bohlokoa lifotong ebe re li sebelisa ho bolela esale pele litaba tsa setšoantšo ka ho sebelisa li-CNN.
13. Deep Belief Networks (DBNs)
Li-DBN ke mofuta oa neural network o sebelisetsoang mesebetsi ea ho ithuta e sa laoleheng joalo ka ho fokotsa boholo le ho ithuta likarolo. Li sebetsa ka ho bokella likarolo tse 'maloa tsa Mechini ea Boltzmann e Restricted (RBMs), e leng marang-rang a marang-rang a mabeli a khonang ho ithuta ho hlophisa bocha data ea ho kenya.
Li-DBN li molemo haholo bakeng sa litaba tsa data tsa maemo a holimo hobane li khona ho ithuta tlhahiso e kopaneng le e sebetsang hantle ea tlhahiso. Li 'nile tsa sebelisoa bakeng sa eng kapa eng ho tloha ho ho tseba lentsoe ho ea ho lihlopha tsa litšoantšo ho ea ho ho sibolloa ha lithethefatsi.
Ka mohlala, bafuputsi ba sebelisitse DBN ho hakanya kamano e tlamang ea bakuli ba meriana ho receptor ea estrogen. DBN e ne e koetliselitsoe ka pokello ea litšobotsi tsa lik'hemik'hale le likamano tse tlamang, 'me e ile ea khona ho bolela esale pele ka nepo kamano e tlamang ea batho ba batlang ho sebelisa lithethefatsi.
Sena se totobatsa tšebeliso ea li-DBN ho nts'etsopele ea lithethefatsi le lits'ebetso tse ling tsa data tse phahameng.
14. Li-autoencoders
Li-autoencoder ke marang-rang a neural a sebelisetsoang mesebetsi ea ho ithuta e sa laoleheng. Li reretsoe ho theha bocha lintlha tse kentsoeng, ho bolelang hore ba tla ithuta ho kenyelletsa tlhaiso-leseling hore e be boemeli bo kopaneng, ebe ba e hlakola hape ho ea pele.
Li-autoencoder li sebetsa haholo bakeng sa khatello ea data, ho tlosa lerata le ho lemoha ka mokhoa o sa tloaelehang. Li ka boela tsa sebelisoa bakeng sa ho ithuta likarolo, moo setšoantšo sa "autoencoder compact" se feptjoang mosebetsing oa ho ithuta o hlokometsoeng.
Nka li-autoencoder ho ba liithuti tse ngolang lintlha ka tlelaseng. Seithuti se mamela puo 'me se ngola lintlha tse bohlokoa ka ho fetesisa le ka mokhoa o atlehileng.
Hamorao, seithuti se ka ’na sa ithuta ’me sa hopola thuto eo se sebelisa lintlha tsa sona. Ka lehlakoreng le leng, "autoencoder" e khouto data e kentsoeng ka har'a setšoantšo se kopaneng se ka 'nang sa sebelisoa molemong oa merero e fapaneng joalo ka ho lemoha ka mokhoa o sa hlakang kapa ho hatella data.
15. Mechini e Thibeletsoeng ea Boltzmann(RBMs)
Li-RBM (Mechini e Thibeletsoeng ea Boltzmann) ke mofuta oa marang-rang a hlahisang methapo a sebelisetsoang mesebetsi ea ho ithuta e sa laoleheng. Li entsoe ka lera le bonahalang le lera le patehileng, le nang le li-neurone karolong e 'ngoe le e' ngoe, e hokahaneng empa e se ka har'a sekhahla se le seng.
Li-RBM li koetlisetsoa ho sebelisa mokhoa o tsejoang e le phapang e fapaneng, e kenyelletsang ho fetola boima pakeng tsa likarolo tse bonahalang le tse patehileng e le ho ntlafatsa monyetla oa boitsebiso ba koetliso. Li-RBM li ka theha data e ncha kamora ho koetlisoa ka lisampole ho tsoa kabong e ithutoang.
Ho lemoha litšoantšo le puo, ho sefa ka tšebelisano 'moho, le ho lemoha lintho tse sa hlakang ke lits'ebetso tse sebelisitseng li-RBM. Li boetse li sebelisitsoe lits'ebetsong tsa likhothaletso ho theha likhothaletso tse lokiselitsoeng ka ho ithuta mekhoa ho tsoa boitšoarong ba basebelisi.
Li-RBM le tsona li 'nile tsa sebelisoa thutong ea likarolo ho theha setšoantšo se sebetsang hantle sa lintlha tse phahameng.
Qetella le Lintlafatso tse Tšepisang tse Lebeletsoeng
Mekhoa e tebileng ea ho ithuta, joalo ka Convolutional Neural Networks (CNNs) le Recurrent Neural Networks (RNNs), ke tse ling tsa mekhoa e tsoetseng pele ea bohlale ba maiketsetso. Li-CNN li fetotse kananelo ea litšoantšo le molumo, athe li-RNN li tsoetse pele haholo ts'ebetsong ea puo ea tlhaho le tlhahlobo ea data e latellanang.
Mohato o latelang oa ho fetoha ha mekhoa ena e ka 'na ea lebisa tlhokomelo ho ntlafatsa ts'ebetso ea bona le bokhoni ba bona, ho ba lumella ho sekaseka li-datasets tse kholoanyane le tse rarahaneng, hammoho le ho ntlafatsa tlhaloso le bokhoni ba bona ba ho ithuta ho tloha boitsebisong bo sa ngoloang haholo.
Ho ithuta ho tebileng ho na le monyetla oa ho lumella katleho mafapheng a kang tlhokomelo ea bophelo bo botle, lichelete le litsamaiso tse ikemetseng ha li ntse li tsoela pele.
Leave a Reply