பல ஆண்டுகளாக, ஆழ்ந்த கற்றல் தொழில்நுட்பத்தில் தலைப்புச் செய்திகளை உருவாக்குகிறது. மேலும், ஏன் என்பதைப் புரிந்துகொள்வது எளிது.
செயற்கை நுண்ணறிவின் இந்தப் பிரிவு, சுகாதாரப் பாதுகாப்பு முதல் வங்கி, போக்குவரத்து வரையிலான துறைகளை மாற்றியமைத்து, முன்பு நினைத்துப் பார்க்க முடியாத முன்னேற்றங்களைச் செயல்படுத்துகிறது.
ஆழமான கற்றல் என்பது அதிநவீன வழிமுறைகளின் தொகுப்பின் அடிப்படையில் கட்டமைக்கப்பட்டுள்ளது, அவை மிகப்பெரிய அளவிலான தரவுகளிலிருந்து சிக்கலான வடிவங்களைப் பிரித்தெடுக்கவும் கணிக்கவும் கற்றுக்கொள்கின்றன.
இந்த இடுகையில் சிறந்த 15 ஆழமான கற்றல் அல்காரிதம்களைப் பார்ப்போம், கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் முதல் ஜெனரேட்டிவ் அட்வர்ஸரியல் நெட்வொர்க்குகள் முதல் நீண்ட குறுகிய கால நினைவக நெட்வொர்க்குகள் வரை.
நீங்கள் ஒருவரா என்பதைப் பற்றிய அத்தியாவசிய நுண்ணறிவுகளை இந்த இடுகை வழங்கும் ஆரம்ப அல்லது ஆழ்ந்த கற்றலில் நிபுணர்.
1. மின்மாற்றி நெட்வொர்க்குகள்
மின்மாற்றி நெட்வொர்க்குகள் மாற்றப்பட்டுள்ளன கணினி பார்வை மற்றும் இயற்கை மொழி செயலாக்கம் (NLP) பயன்பாடுகள். அவை உள்வரும் தரவை பகுப்பாய்வு செய்கின்றன மற்றும் நீண்ட தூர உறவுகளைப் பிடிக்க கவனம் செயல்முறைகளைப் பயன்படுத்துகின்றன. இது வழக்கமான வரிசை-வரிசை மாதிரிகளை விட அவற்றை விரைவாக்குகிறது.
டிரான்ஸ்ஃபார்மர் நெட்வொர்க்குகள் முதன்முதலில் வாஸ்வானி மற்றும் பலர் எழுதிய "கவனம் உங்களுக்கு தேவை" என்ற வெளியீட்டில் விவரிக்கப்பட்டது.
அவை குறியாக்கி மற்றும் குறிவிலக்கியைக் கொண்டிருக்கின்றன (2017). மின்மாற்றி மாதிரியானது பல்வேறு NLP பயன்பாடுகளில் செயல்திறனை நிரூபித்துள்ளது உணர்வு பகுப்பாய்வு, உரை வகைப்படுத்தல் மற்றும் இயந்திர மொழிபெயர்ப்பு.
டிரான்ஸ்ஃபார்மர் அடிப்படையிலான மாதிரிகள் பயன்பாடுகளுக்கான கணினி பார்வையிலும் பயன்படுத்தப்படலாம். அவர்கள் பொருள் அங்கீகாரம் மற்றும் படத்தை தலைப்பு செய்ய முடியும்.
2. நீண்ட குறுகிய கால நினைவக நெட்வொர்க்குகள் (LSTMகள்)
நீண்ட குறுகிய கால நினைவக நெட்வொர்க்குகள் (LSTMs) ஒரு வடிவம் நரம்பு நெட்வொர்க் குறிப்பாக தொடர் உள்ளீட்டைக் கையாள கட்டப்பட்டது. அவை "நீண்ட குறுகிய கால" என்று குறிப்பிடப்படுகின்றன, ஏனென்றால் அவை நீண்ட காலத்திற்கு முந்தைய அறிவை நினைவுபடுத்துகின்றன, அதே நேரத்தில் தேவையற்ற தகவல்களை மறந்துவிடுகின்றன.
எல்எஸ்டிஎம்கள் நெட்வொர்க்கிற்குள் உள்ள தகவல்களின் ஓட்டத்தை நிர்வகிக்கும் சில "வாயில்கள்" மூலம் செயல்படுகின்றன. தகவல் முக்கியத்துவம் வாய்ந்ததா இல்லையா என்பதைப் பொறுத்து, இந்த வாயில்கள் அதை அனுமதிக்கலாம் அல்லது தடுக்கலாம்.
பேச்சு அங்கீகாரம், இயல்பான மொழி செயலாக்கம் மற்றும் நேரத் தொடர் முன்கணிப்பு போன்ற பணிகளுக்கு முக்கியமான, கடந்த கால படிகளில் இருந்து தகவல்களை நினைவுபடுத்த அல்லது மறக்க இந்த நுட்பம் LSTM களை செயல்படுத்துகிறது.
மதிப்பீடு செய்யப்பட வேண்டிய அல்லது கணிக்கப்பட வேண்டிய வரிசையான தரவு உங்களிடம் இருக்கும் எந்தவொரு சந்தர்ப்பத்திலும் LSTMகள் மிகவும் பயனுள்ளதாக இருக்கும். பேச்சு வார்த்தைகளை உரையாக மாற்றுவதற்கு குரல் அறிதல் மென்பொருளில் அவை பெரும்பாலும் பயன்படுத்தப்படுகின்றன பங்குச் சந்தை முந்தைய தரவுகளின் அடிப்படையில் எதிர்கால விலைகளை முன்னறிவிப்பதற்கான பகுப்பாய்வு.
3. சுய ஒழுங்குபடுத்தும் வரைபடங்கள் (SOMகள்)
SOM கள் ஒரு வகையான செயற்கை கற்றுக்கொள்ளக்கூடிய நரம்பியல் நெட்வொர்க் மற்றும் ஒரு குறைந்த பரிமாண சூழலில் சிக்கலான தரவு பிரதிநிதித்துவம். உயர் பரிமாண உள்ளீட்டுத் தரவை இரு பரிமாண கட்டமாக மாற்றுவதன் மூலம் இந்த முறை செயல்படுகிறது, ஒவ்வொரு அலகு அல்லது நியூரானும் உள்ளீட்டு இடத்தின் வெவ்வேறு பகுதியைக் குறிக்கும்.
நியூரான்கள் ஒன்றாக இணைக்கப்பட்டு ஒரு இடவியல் கட்டமைப்பை உருவாக்குகின்றன, அவை உள்ளீட்டுத் தரவைக் கற்றுக்கொள்ளவும் சரிசெய்யவும் அனுமதிக்கிறது. எனவே, SOM என்பது மேற்பார்வை செய்யப்படாத கற்றலை அடிப்படையாகக் கொண்டது.
அல்காரிதம் தேவையில்லை பெயரிடப்பட்ட தரவு இருந்து கற்றுக்கொள்ள. மாறாக, மாறிகளுக்கு இடையே உள்ள வடிவங்கள் மற்றும் தொடர்புகளைக் கண்டறிய உள்ளீட்டுத் தரவின் புள்ளிவிவர அம்சங்களைப் பயன்படுத்துகிறது.
பயிற்சிக் கட்டத்தில், உள்ளீட்டுத் தரவின் சிறந்த அறிகுறியாக நியூரான்கள் போட்டியிடுகின்றன. மேலும், அவை ஒரு அர்த்தமுள்ள கட்டமைப்பாக சுயமாக ஒழுங்கமைக்கப்படுகின்றன. SOM களில் படம் மற்றும் பேச்சு அறிதல், தரவுச் செயலாக்கம் மற்றும் பேட்டர்ன் அறிதல் உள்ளிட்ட பரந்த அளவிலான பயன்பாடுகள் உள்ளன.
அவை பயனுள்ளதாக இருக்கும் சிக்கலான தரவு காட்சிப்படுத்தல், தொடர்புடைய தரவுப் புள்ளிகளைக் கிளஸ்டரிங் செய்தல் மற்றும் அசாதாரணங்கள் அல்லது வெளிப்புறங்களைக் கண்டறிதல்.
4. ஆழமான வலுவூட்டல் கற்றல்
ஆழமான வலுவூட்டல் கற்றல் ஒரு வகையான இயந்திர கற்றல், இதில் ஒரு முகவர் வெகுமதி முறையின் அடிப்படையில் முடிவுகளை எடுக்க பயிற்சியளிக்கிறார். முகவரை அதன் சுற்றுப்புறங்களுடன் தொடர்பு கொள்ளவும், சோதனை மற்றும் பிழை மூலம் கற்றுக்கொள்ளவும் அனுமதிப்பதன் மூலம் இது செயல்படுகிறது.
முகவர் செய்யும் ஒவ்வொரு செயலுக்கும் வெகுமதி அளிக்கப்படுகிறது, மேலும் அதன் நோக்கம் காலப்போக்கில் அதன் நன்மைகளை எவ்வாறு மேம்படுத்துவது என்பதைக் கற்றுக்கொள்வது. கேம்களை விளையாடுவதற்கும், ஆட்டோமொபைல்களை ஓட்டுவதற்கும் மற்றும் ரோபோக்களை நிர்வகிப்பதற்கும் ஏஜெண்டுகளுக்குக் கற்பிக்க இது பயன்படுத்தப்படலாம்.
Q-கற்றல் என்பது நன்கு அறியப்பட்ட ஆழமான வலுவூட்டல் கற்றல் முறையாகும். ஒரு குறிப்பிட்ட மாநிலத்தில் ஒரு குறிப்பிட்ட செயலைச் செய்வதன் மதிப்பை மதிப்பிடுவதன் மூலமும், முகவர் சுற்றுச்சூழலுடன் தொடர்பு கொள்ளும்போது அந்த மதிப்பீட்டைப் புதுப்பிப்பதன் மூலமும் இது செயல்படுகிறது.
எந்தச் செயலால் மிகப்பெரிய வெகுமதி கிடைக்கும் என்பதைத் தீர்மானிக்க ஏஜென்ட் இந்த மதிப்பீடுகளைப் பயன்படுத்துகிறார். அடாரி கேம்களை விளையாட ஏஜெண்டுகளுக்கு கல்வி கற்பிக்கவும், தரவு மையங்களில் ஆற்றல் பயன்பாட்டை மேம்படுத்தவும் Q-Learning பயன்படுத்தப்படுகிறது.
ஆழமான Q-நெட்வொர்க்குகள் மற்றொரு பிரபலமான ஆழமான வலுவூட்டல் கற்றல் முறை (DQN). DQNகள் Q-Learning போன்றது, அவை ஒரு அட்டவணையை விட ஆழமான நரம்பியல் நெட்வொர்க்கைப் பயன்படுத்தி செயல் மதிப்புகளை மதிப்பிடுகின்றன.
இது பல மாற்று நடவடிக்கைகளுடன் பெரிய, சிக்கலான அமைப்புகளைச் சமாளிக்க அவர்களுக்கு உதவுகிறது. கோ மற்றும் டோட்டா 2 போன்ற கேம்களை விளையாட முகவர்களுக்கு பயிற்சி அளிப்பதற்கும், நடக்க கற்றுக்கொள்ளக்கூடிய ரோபோக்களை உருவாக்குவதற்கும் DQNகள் பயன்படுத்தப்பட்டுள்ளன.
5. தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகள் (RNNs)
RNNகள் ஒரு வகையான நரம்பியல் நெட்வொர்க் ஆகும், அவை ஒரு உள் நிலையை வைத்திருக்கும் போது தொடர்ச்சியான தரவை செயலாக்க முடியும். ஒரு நபர் ஒரு புத்தகத்தைப் படிப்பதைப் போன்றதாகக் கருதுங்கள், அங்கு ஒவ்வொரு வார்த்தையும் அதற்கு முன் வந்தவற்றுடன் தொடர்புடையது.
பேச்சு அங்கீகாரம், மொழி மொழிபெயர்ப்பு மற்றும் ஒரு சொற்றொடரில் அடுத்த வார்த்தையை முன்னறிவித்தல் போன்ற பணிகளுக்கு RNNகள் சிறந்தவை.
RNNகள், பின்னூட்ட சுழல்களைப் பயன்படுத்தி, ஒவ்வொரு கால கட்டத்தின் வெளியீட்டையும் அடுத்த முறையின் உள்ளீட்டுடன் இணைக்கிறது. இது பிணையத்தை எதிர்கால காலப் படிகளுக்கான முன்னறிவிப்புகளைத் தெரிவிக்க, முந்தைய நேர படித் தகவலைப் பயன்படுத்த உதவுகிறது. துரதிர்ஷ்டவசமாக, RNNகள் மறைந்து வரும் சாய்வு சிக்கலுக்கு ஆளாகக்கூடும் என்பதையும் இது அர்த்தப்படுத்துகிறது, இதில் பயிற்சிக்கு பயன்படுத்தப்படும் சாய்வு மிகவும் சிறியதாகிறது மற்றும் நெட்வொர்க் நீண்ட கால உறவுகளைக் கற்றுக்கொள்ள போராடுகிறது.
இந்த வெளிப்படையான தடை இருந்தபோதிலும், RNNகள் பரந்த அளவிலான பயன்பாடுகளில் பயன்பாட்டைக் கண்டறிந்துள்ளன. இந்த பயன்பாடுகளில் இயல்பான மொழி செயலாக்கம், பேச்சு அங்கீகாரம் மற்றும் இசை தயாரிப்பு ஆகியவை அடங்கும்.
Google Translate, எடுத்துக்காட்டாக, RNN-அடிப்படையிலான அமைப்பை மொழிகள் முழுவதும் மொழிபெயர்க்க பயன்படுத்துகிறது, அதே சமயம் Siri, மெய்நிகர் உதவியாளர், குரலைக் கண்டறிய RNN-அடிப்படையிலான அமைப்பைப் பயன்படுத்துகிறது. RNNகள் பங்கு விலைகளை கணிக்கவும், யதார்த்தமான உரை மற்றும் கிராபிக்ஸ் உருவாக்கவும் பயன்படுத்தப்படுகின்றன.
6. கேப்சூல் நெட்வொர்க்குகள்
கேப்சூல் நெட்வொர்க்குகள் என்பது ஒரு புதிய வகையான நரம்பியல் நெட்வொர்க் வடிவமைப்பு ஆகும், இது தரவுகளில் உள்ள வடிவங்கள் மற்றும் தொடர்புகளை மிகவும் திறம்பட அடையாளம் காண முடியும். அவை நியூரான்களை "காப்ஸ்யூல்களாக" ஒழுங்கமைக்கின்றன, அவை உள்ளீட்டின் சில அம்சங்களை குறியாக்கம் செய்கின்றன.
இதன் மூலம் அவர்கள் துல்லியமான கணிப்புகளைச் செய்ய முடியும். கேப்சூல் நெட்வொர்க்குகள் பல அடுக்குகளில் உள்ள கேப்சூல்களைப் பயன்படுத்துவதன் மூலம் உள்ளீட்டுத் தரவிலிருந்து படிப்படியாக சிக்கலான பண்புகளைப் பிரித்தெடுக்கின்றன.
கேப்சூல் நெட்வொர்க்குகளின் நுட்பம், கொடுக்கப்பட்ட உள்ளீட்டின் படிநிலைப் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ள அவர்களுக்கு உதவுகிறது. காப்ஸ்யூல்களுக்கு இடையே தொடர்புகொள்வதன் மூலம் படத்திற்குள் உள்ள பொருட்களுக்கு இடையே உள்ள இடஞ்சார்ந்த இணைப்புகளை அவை சரியாக குறியாக்கம் செய்ய முடியும்.
பொருள் அடையாளம் காணல், படத்தைப் பிரித்தல் மற்றும் இயற்கையான மொழி செயலாக்கம் அனைத்தும் கேப்சூல் நெட்வொர்க்குகளின் பயன்பாடுகளாகும்.
கேப்சூல் நெட்வொர்க்குகள் வேலை செய்யக்கூடிய சாத்தியம் உள்ளது தன்னாட்சி ஓட்டுநர் தொழில்நுட்பங்கள். ஆட்டோமொபைல்கள், மக்கள் மற்றும் போக்குவரத்து அறிகுறிகள் போன்ற பொருட்களை அடையாளம் கண்டு வேறுபடுத்துவதில் அவை அமைப்புக்கு உதவுகின்றன. இந்த அமைப்புகள் அவற்றின் சூழலில் உள்ள பொருட்களின் நடத்தை பற்றி மிகவும் துல்லியமான கணிப்புகளைச் செய்வதன் மூலம் மோதல்களைத் தவிர்க்கலாம்.
7. மாறுபட்ட தன்னியக்க குறியீடுகள் (VAEகள்)
VAEகள் என்பது மேற்பார்வை செய்யப்படாத கற்றலுக்குப் பயன்படுத்தப்படும் ஆழ்ந்த கற்றல் கருவியின் ஒரு வடிவமாகும். தரவை குறைந்த பரிமாண இடைவெளியில் குறியாக்கம் செய்து, பின்னர் அதை அசல் வடிவத்திற்கு டிகோட் செய்வதன் மூலம், அவர்கள் தரவில் உள்ள வடிவங்களைக் கண்டறிய கற்றுக்கொள்ளலாம்.
முயலை தொப்பியாகவும், பின் முயலாகவும் மாற்றும் வித்தைக்காரர் போல! யதார்த்தமான காட்சிகள் அல்லது இசையை உருவாக்க VAEகள் பயனளிக்கின்றன. மேலும், அசல் தரவுகளுடன் ஒப்பிடக்கூடிய புதிய தரவை உருவாக்க அவை பயன்படுத்தப்படலாம்.
VAEகள் இரகசிய குறியீட்டு உடைப்பான் போன்றது. அவர்களால் அடிப்படையைக் கண்டறிய முடியும் தரவின் அமைப்பு ஒரு புதிர் எப்படி உடைக்கப்படுகிறதோ, அதைப் போன்றே எளிமையான பிட்களாக உடைப்பதன் மூலம். பாகங்களைத் வரிசைப்படுத்திய பிறகு அசல் போன்று தோற்றமளிக்கும் புதிய தரவை உருவாக்க அவர்கள் அந்தத் தகவலைப் பயன்படுத்தலாம்.
மகத்தான கோப்புகளை சுருக்க அல்லது ஒரு குறிப்பிட்ட பாணியில் புதிய கிராபிக்ஸ் அல்லது இசையை உருவாக்க இது எளிது. VAEகள் செய்திகள் அல்லது இசை வரிகள் போன்ற புதிய உள்ளடக்கத்தையும் உருவாக்க முடியும்.
8. ஜெனரேட்டிவ் அட்வர்ஸரியல் நெட்வொர்க்குகள் (GANs)
GAN கள் (ஜெனரேட்டிவ் அட்வர்ஸரியல் நெட்வொர்க்குகள்) என்பது ஆழமான கற்றல் அமைப்பின் ஒரு வடிவமாகும், இது அசல் தரவை ஒத்த புதிய தரவை உருவாக்குகிறது. அவை இரண்டு நெட்வொர்க்குகளைப் பயிற்றுவிப்பதன் மூலம் செயல்படுகின்றன: ஒரு ஜெனரேட்டர் மற்றும் ஒரு பாகுபாடு நெட்வொர்க்.
ஜெனரேட்டர் அசல் தரவுடன் ஒப்பிடக்கூடிய புதிய தரவை உருவாக்குகிறது.
மேலும், பாகுபாடு காண்பவர் அசல் மற்றும் உருவாக்கப்பட்ட தரவை வேறுபடுத்த முயற்சிக்கிறார். இரண்டு நெட்வொர்க்குகளும் இணைந்து பயிற்றுவிக்கப்படுகின்றன, ஜெனரேட்டர் பாகுபாடு காட்டுபவர்களை ஏமாற்ற முயற்சிக்கிறது மற்றும் பாரபட்சம் செய்பவர் அசல் தரவை சரியாக அடையாளம் காண முயற்சிக்கிறார்.
GAN களை ஒரு போலி மற்றும் துப்பறியும் நபருக்கு இடையிலான குறுக்குவெட்டு என்று கருதுங்கள். ஜெனரேட்டர் ஒரு போலியைப் போலவே செயல்படுகிறது, அசலை ஒத்த புதிய கலைப்படைப்புகளை உருவாக்குகிறது.
பாகுபாடு செய்பவர் ஒரு துப்பறியும் நபராக செயல்படுகிறார், உண்மையான கலைப்படைப்பு மற்றும் மோசடி ஆகியவற்றை வேறுபடுத்த முயற்சிக்கிறார். இரண்டு நெட்வொர்க்குகளும் ஒன்றிணைந்து பயிற்றுவிக்கப்படுகின்றன, ஜெனரேட்டர் நம்பத்தகுந்த போலிகளை உருவாக்குவதை மேம்படுத்துகிறது மற்றும் பாரபட்சம் செய்பவர் அவற்றை அங்கீகரிப்பதில் மேம்படுத்துகிறது.
மனிதர்கள் அல்லது விலங்குகளின் யதார்த்தமான படங்களை தயாரிப்பதில் இருந்து புதிய இசை அல்லது எழுத்தை உருவாக்குவது வரை GAN கள் பல பயன்பாடுகளைக் கொண்டுள்ளன. இயந்திர கற்றல் மாதிரிகளைப் பயிற்றுவிப்பதற்காக ஒரு பெரிய தரவுத்தொகுப்பை உருவாக்க உண்மையான தரவுகளுடன் தயாரிக்கப்பட்ட தரவை இணைப்பதை உள்ளடக்கிய தரவு பெருக்கத்திற்கும் அவை பயன்படுத்தப்படலாம்.
9. ஆழமான Q-நெட்வொர்க்குகள் (DQNs)
ஆழமான Q-நெட்வொர்க்குகள் (DQNs) ஒரு வகையான முடிவெடுக்கும் வலுவூட்டல் கற்றல் வழிமுறையாகும். ஒரு குறிப்பிட்ட நிலையில் ஒரு குறிப்பிட்ட செயலைச் செய்வதற்கு எதிர்பார்க்கப்படும் வெகுமதியைக் கணிக்கும் Q- செயல்பாட்டைக் கற்றுக்கொள்வதன் மூலம் அவை செயல்படுகின்றன.
Q-செயல்பாடு சோதனை மற்றும் பிழை மூலம் கற்பிக்கப்படுகிறது, அல்காரிதம் பல்வேறு செயல்களை முயற்சிக்கிறது மற்றும் விளைவுகளிலிருந்து கற்றுக்கொள்கிறது.
ஒரு போல் கருதுங்கள் வீடியோ கேம் கதாபாத்திரம் பல்வேறு செயல்களை பரிசோதித்து, வெற்றிக்கு வழிவகுக்கும் எவை என்பதைக் கண்டறியவும்! DQNகள் ஒரு ஆழமான நரம்பியல் வலையமைப்பைப் பயன்படுத்தி Q-செயல்பாட்டைப் பயிற்றுவிக்கின்றன, கடினமான முடிவெடுக்கும் பணிகளுக்கு அவற்றை பயனுள்ள கருவிகளாக மாற்றுகின்றன.
அவர்கள் கோ மற்றும் செஸ் போன்ற விளையாட்டுகளிலும், ரோபோட்டிக்ஸ் மற்றும் சுயமாக ஓட்டும் ஆட்டோமொபைல்களிலும் மனித சாம்பியன்களை தோற்கடித்துள்ளனர். ஆக, மொத்தத்தில், DQNகள் காலப்போக்கில் தங்கள் முடிவெடுக்கும் திறன்களை மேம்படுத்த அனுபவத்திலிருந்து கற்றுக்கொள்வதன் மூலம் வேலை செய்கின்றன.
10. ரேடியல் அடிப்படை செயல்பாட்டு நெட்வொர்க்குகள் (RBFNகள்)
ரேடியல் அடிப்படை செயல்பாட்டு நெட்வொர்க்குகள் (RBFNs) என்பது ஒரு வகையான நரம்பியல் நெட்வொர்க் ஆகும், அவை செயல்பாடுகளை தோராயமாக மதிப்பிடுவதற்கும் வகைப்படுத்தல் பணிகளைச் செய்வதற்கும் பயன்படுத்தப்படுகின்றன. ரேடியல் அடிப்படை செயல்பாடுகளின் தொகுப்பைப் பயன்படுத்தி உள்ளீட்டுத் தரவை உயர் பரிமாண இடமாக மாற்றுவதன் மூலம் அவை செயல்படுகின்றன.
நெட்வொர்க்கின் வெளியீடு அடிப்படை செயல்பாடுகளின் நேரியல் கலவையாகும், மேலும் ஒவ்வொரு ரேடியல் அடிப்படை செயல்பாடும் உள்ளீட்டு இடத்தில் ஒரு மையப் புள்ளியைக் குறிக்கிறது.
RBFNகள் சிக்கலான உள்ளீடு-வெளியீட்டு இடைவினைகளைக் கொண்ட சூழ்நிலைகளுக்கு மிகவும் பயனுள்ளதாக இருக்கும், மேலும் அவை மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வை செய்யப்படாத கற்றல் உட்பட பலவிதமான நுட்பங்களைப் பயன்படுத்தி கற்பிக்கப்படலாம். நிதி கணிப்புகள் முதல் படம் மற்றும் பேச்சு அங்கீகாரம் வரை மருத்துவ நோயறிதல் வரை எதற்கும் அவை பயன்படுத்தப்படுகின்றன.
RBFNகளை GPS அமைப்பாகக் கருதுங்கள், இது சவாலான நிலப்பரப்பில் அதன் வழியைக் கண்டறிய தொடர்ச்சியான நங்கூரப் புள்ளிகளைப் பயன்படுத்துகிறது. நெட்வொர்க்கின் வெளியீடு நங்கூரம் புள்ளிகளின் கலவையாகும், இது ரேடியல் அடிப்படை செயல்பாடுகளுக்கு நிற்கிறது.
RBFNகளைப் பயன்படுத்துவதன் மூலம், சிக்கலான தகவல்களின் மூலம் நாம் உலாவலாம் மற்றும் ஒரு காட்சி எவ்வாறு மாறும் என்பது பற்றிய துல்லியமான கணிப்புகளை உருவாக்கலாம்.
11. பல அடுக்கு பெர்செப்ட்ரான்கள் (MLPs)
மல்டிலேயர் பெர்செப்ட்ரான் (எம்எல்பி) எனப்படும் நரம்பியல் நெட்வொர்க்கின் பொதுவான வடிவம் வகைப்படுத்தல் மற்றும் பின்னடைவு போன்ற மேற்பார்வையிடப்பட்ட கற்றல் பணிகளுக்குப் பயன்படுத்தப்படுகிறது. இணைக்கப்பட்ட கணுக்கள் அல்லது நியூரான்களின் பல அடுக்குகளை அடுக்கி, ஒவ்வொரு அடுக்கும் உள்வரும் தரவை நேர்கோட்டில்லாமல் மாற்றுவதன் மூலம் அவை செயல்படுகின்றன.
ஒரு MLP இல், ஒவ்வொரு நியூரானும் கீழே உள்ள அடுக்கில் உள்ள நியூரான்களிலிருந்து உள்ளீட்டைப் பெற்று மேலே உள்ள அடுக்கில் உள்ள நியூரான்களுக்கு ஒரு சமிக்ஞையை அனுப்புகிறது. ஒவ்வொரு நியூரானின் வெளியீடும் செயல்படுத்தும் செயல்பாட்டைப் பயன்படுத்தி தீர்மானிக்கப்படுகிறது, இது பிணையத்திற்கு நேர்கோட்டுத்தன்மையை அளிக்கிறது.
அவை பல மறைக்கப்பட்ட அடுக்குகளைக் கொண்டிருக்கலாம் என்பதால், உள்ளீட்டுத் தரவின் அதிநவீன பிரதிநிதித்துவங்களைக் கற்கும் திறன் கொண்டவை.
உணர்வு பகுப்பாய்வு, மோசடி கண்டறிதல் மற்றும் குரல் மற்றும் படம் அங்கீகாரம் போன்ற பல்வேறு பணிகளுக்கு MLP கள் பயன்படுத்தப்பட்டுள்ளன. MLP கள் ஒரு கடினமான வழக்கை முறியடிக்க ஒன்றாக வேலை செய்யும் புலனாய்வாளர்களின் குழுவுடன் ஒப்பிடப்படலாம்.
ஒன்றாக, அவர்கள் ஒவ்வொருவரும் ஒரு குறிப்பிட்ட சிறப்புப் பகுதியைக் கொண்டிருந்தாலும் உண்மைகளை ஒன்றிணைத்து குற்றத்தைத் தீர்க்க முடியும்.
12. கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்)
நரம்பியல் வலையமைப்பின் ஒரு வடிவமான கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளைப் (CNNs) பயன்படுத்தி படங்கள் மற்றும் வீடியோக்கள் செயலாக்கப்படுகின்றன. உள்ளீட்டுத் தரவிலிருந்து குறிப்பிடத்தக்க பண்புகளைப் பிரித்தெடுக்க, கற்கக்கூடிய வடிப்பான்கள் அல்லது கர்னல்களின் தொகுப்பைப் பயன்படுத்துவதன் மூலம் அவை செயல்படுகின்றன.
வடிப்பான்கள் உள்ளீட்டுப் படத்தின் மீது சறுக்கி, படத்தின் அத்தியாவசிய அம்சங்களைப் படம்பிடிக்கும் அம்ச வரைபடத்தை உருவாக்க சுருள்களை இயக்குகின்றன.
சிஎன்என்கள் படப் பண்புகளின் படிநிலைப் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்வதால், அவை காட்சித் தரவுகளின் மகத்தான தொகுதிகளை உள்ளடக்கிய சூழ்நிலைகளுக்கு குறிப்பாக உதவியாக இருக்கும். பொருள் கண்டறிதல், படத்தை வகைப்படுத்துதல் மற்றும் முகம் கண்டறிதல் போன்ற பல பயன்பாடுகள் அவற்றைப் பயன்படுத்தியுள்ளன.
ஒரு தலைசிறந்த படைப்பை உருவாக்க பல தூரிகைகளைப் பயன்படுத்தும் ஓவியராக CNN களைக் கருதுங்கள். ஒவ்வொரு தூரிகையும் ஒரு கர்னல் ஆகும், மேலும் கலைஞர் பல கர்னல்களை கலந்து ஒரு சிக்கலான, யதார்த்தமான படத்தை உருவாக்கலாம். புகைப்படங்களிலிருந்து குறிப்பிடத்தக்க குணாதிசயங்களைப் பிரித்தெடுத்து, CNNகளைப் பயன்படுத்தி படத்தின் உள்ளடக்கங்களை துல்லியமாக கணிக்க அவற்றைப் பயன்படுத்தலாம்.
13. ஆழமான நம்பிக்கை நெட்வொர்க்குகள் (DBNs)
DBNகள் என்பது நரம்பியல் நெட்வொர்க்கின் ஒரு வடிவமாகும், இது பரிமாணக் குறைப்பு மற்றும் அம்சக் கற்றல் போன்ற மேற்பார்வை செய்யப்படாத கற்றல் பணிகளுக்குப் பயன்படுத்தப்படுகிறது. உள்ளீட்டுத் தரவை மறுகட்டமைக்கக் கற்றுக் கொள்ளும் திறன் கொண்ட இரண்டு அடுக்கு நரம்பியல் நெட்வொர்க்குகளான கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்களின் (RBMs) பல அடுக்குகளை அடுக்கி அவை செயல்படுகின்றன.
உயர் பரிமாண தரவு சிக்கல்களுக்கு DBNகள் மிகவும் பயனுள்ளதாக இருக்கும், ஏனெனில் அவை உள்ளீட்டின் சுருக்கமான மற்றும் திறமையான பிரதிநிதித்துவத்தைக் கற்றுக்கொள்ள முடியும். குரல் அங்கீகாரம் முதல் பட வகைப்பாடு வரை மருந்து கண்டுபிடிப்பு வரை எதற்கும் அவை பயன்படுத்தப்பட்டுள்ளன.
எடுத்துக்காட்டாக, ஈஸ்ட்ரோஜன் ஏற்பிக்கு மருந்து விண்ணப்பதாரர்களின் பிணைப்புத் தொடர்பை மதிப்பிடுவதற்கு ஆராய்ச்சியாளர்கள் DBN ஐப் பயன்படுத்தினர். DBN ஆனது இரசாயன குணாதிசயங்கள் மற்றும் பிணைப்பு தொடர்புகளின் தொகுப்பில் பயிற்சி பெற்றது, மேலும் இது நாவல் போதைப்பொருள் வேட்பாளர்களின் பிணைப்பு உறவை துல்லியமாக கணிக்க முடிந்தது.
போதைப்பொருள் உருவாக்கம் மற்றும் பிற உயர் பரிமாண தரவு பயன்பாடுகளில் DBNகளின் பயன்பாட்டை இது எடுத்துக்காட்டுகிறது.
14. ஆட்டோஎன்கோடர்கள்
ஆட்டோஎன்கோடர்கள் நரம்பியல் நெட்வொர்க்குகள் ஆகும், அவை மேற்பார்வை செய்யப்படாத கற்றல் பணிகளுக்குப் பயன்படுத்தப்படுகின்றன. அவை உள்ளீட்டுத் தரவை மறுகட்டமைக்கும் நோக்கம் கொண்டவை, அதாவது அவர்கள் தகவலை ஒரு சிறிய பிரதிநிதித்துவத்தில் குறியாக்கம் செய்ய கற்றுக்கொள்வார்கள், பின்னர் அதை அசல் உள்ளீட்டிற்கு மீண்டும் டிகோட் செய்வார்கள்.
ஆட்டோஎன்கோடர்கள் தரவு சுருக்கம், சத்தம் அகற்றுதல் மற்றும் ஒழுங்கின்மை கண்டறிதல் ஆகியவற்றிற்கு மிகவும் பயனுள்ளதாக இருக்கும். அவை அம்சக் கற்றலுக்கும் பயன்படுத்தப்படலாம், அங்கு ஆட்டோஎன்கோடரின் சிறிய பிரதிநிதித்துவம் மேற்பார்வையிடப்பட்ட கற்றல் பணிக்கு அளிக்கப்படுகிறது.
ஆட்டோஎன்கோடர்களை வகுப்பில் குறிப்புகள் எடுக்கும் மாணவர்களாக கருதுங்கள். மாணவர் விரிவுரையைக் கேட்கிறார் மற்றும் மிகவும் பொருத்தமான புள்ளிகளை சுருக்கமாகவும் திறமையாகவும் எழுதுகிறார்.
பின்னர், மாணவர் தங்கள் குறிப்புகளைப் பயன்படுத்தி பாடத்தைப் படித்து நினைவில் வைத்துக் கொள்ளலாம். ஒரு தன்னியக்க குறியாக்கி, மறுபுறம், உள்ளீட்டுத் தரவை ஒரு சிறிய பிரதிநிதித்துவமாக குறியாக்குகிறது, அது பின்னர் ஒழுங்கின்மை கண்டறிதல் அல்லது தரவு சுருக்கம் போன்ற பல்வேறு நோக்கங்களுக்காகப் பயன்படுத்தப்படலாம்.
15. கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்கள் (ஆர்பிஎம்கள்)
RBM கள் (கட்டுப்படுத்தப்பட்ட போல்ட்ஸ்மேன் இயந்திரங்கள்) என்பது மேற்பார்வை செய்யப்படாத கற்றல் பணிகளுக்குப் பயன்படுத்தப்படும் ஒரு வகையான உருவாக்கும் நரம்பியல் நெட்வொர்க் ஆகும். அவை காணக்கூடிய அடுக்கு மற்றும் மறைக்கப்பட்ட அடுக்கு ஆகியவற்றால் ஆனது, ஒவ்வொரு அடுக்கிலும் நியூரான்கள் இணைக்கப்பட்டுள்ளன, ஆனால் ஒரே அடுக்குக்குள் இல்லை.
கான்ட்ராஸ்டிவ் டைவர்ஜென்ஸ் எனப்படும் நுட்பத்தைப் பயன்படுத்தி RBM கள் பயிற்சியளிக்கப்படுகின்றன, இது பயிற்சி தரவின் நிகழ்தகவை மேம்படுத்தும் வகையில் தெரியும் மற்றும் மறைக்கப்பட்ட அடுக்குகளுக்கு இடையே எடையை மாற்றுகிறது. கற்றறிந்த விநியோகத்திலிருந்து மாதிரிகள் மூலம் பயிற்சி பெற்ற பிறகு RBMகள் புதிய தரவை உருவாக்கலாம்.
படம் மற்றும் பேச்சு அங்கீகாரம், கூட்டு வடிகட்டுதல் மற்றும் ஒழுங்கின்மை கண்டறிதல் ஆகியவை RBMகளைப் பயன்படுத்திய அனைத்து பயன்பாடுகளாகும். பயனர் நடத்தையிலிருந்து வடிவங்களைக் கற்றுக்கொள்வதன் மூலம் பொருத்தமான பரிந்துரைகளை உருவாக்க பரிந்துரை அமைப்புகளிலும் அவை பயன்படுத்தப்பட்டுள்ளன.
உயர் பரிமாண தரவுகளின் சுருக்கமான மற்றும் திறமையான பிரதிநிதித்துவத்தை உருவாக்க அம்சக் கற்றலில் RBMகள் பயன்படுத்தப்படுகின்றன.
ரேப்-அப் மற்றும் நம்பிக்கைக்குரிய வளர்ச்சிகள்
கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்கள்) மற்றும் ரெக்கரண்ட் நியூரல் நெட்வொர்க்குகள் (ஆர்என்என்கள்) போன்ற ஆழமான கற்றல் முறைகள் மிகவும் மேம்பட்ட செயற்கை நுண்ணறிவு அணுகுமுறைகளாகும். CNNகள் படம் மற்றும் ஆடியோ அங்கீகாரத்தை மாற்றியுள்ளன, அதே நேரத்தில் RNNகள் இயற்கையான மொழி செயலாக்கம் மற்றும் தொடர் தரவு பகுப்பாய்வு ஆகியவற்றில் கணிசமாக முன்னேறியுள்ளன.
இந்த அணுகுமுறைகளின் பரிணாம வளர்ச்சியின் அடுத்த படி, அவற்றின் செயல்திறன் மற்றும் அளவிடுதல் ஆகியவற்றை மேம்படுத்துவதில் கவனம் செலுத்துகிறது, மேலும் அவை பெரிய மற்றும் மிகவும் சிக்கலான தரவுத்தொகுப்புகளை பகுப்பாய்வு செய்ய அனுமதிக்கிறது, அத்துடன் அவற்றின் விளக்கம் மற்றும் குறைந்த பெயரிடப்பட்ட தரவிலிருந்து கற்றுக்கொள்ளும் திறனை மேம்படுத்துகிறது.
ஆழ்ந்த கற்றல், சுகாதாரம், நிதி மற்றும் தன்னாட்சி அமைப்புகள் போன்ற துறைகளில் முன்னேற்றங்களை அனுமதிக்கும் வாய்ப்பைக் கொண்டுள்ளது.
ஒரு பதில் விடவும்