عنوان مقاله: یک بررسی مقدماتی از یادگیری عمیق برای مدلهای پیش بینی با دادههای بزرگ
نمونه متن چکیده
مدلهای یادگیری عمیق، یک الگوی جدید از یادگیری در هوش مصنوعی (AI) و یادگیری ماشین هستند. نتایج موفقیت آمیز اخیر در تجزیه و تحلیل تصویر و تشخیص گفتار ، منجر به علاقه زیادی به این شاخه علمی شده است؛ چرا که امکان بکارگیری یادگیری عمیق در بسیاری از حوزههای دیگر که با دادههای بزرگ سر و کار دارند، وجود دارد.
در این مقاله یک مرور کلی به رویکردهای یادگیری عمیق شامل شبکههای عصبی پیشخور (D-FFNN) ، شبکههای عصبی کانولوشن (CNNs) ، شبکه باور عمیق (DBNs) ، خودرمزگذارها (AEs) ، حافظه طولانی کوتاه-مدت (LSTM) خواهیم داشت.
این مدلها، اصلی ترین مدلها در معماری یادگیری عمیق هستند که در حال حاضر استفاده می شوند و باید در جعبه ابزار هر دانشمند علم داده قرار داشته باشند. نکته مهم ، بلوکهای اصلی سازنده هر شبکه می توانند به صورت انعطاف پذیری ترکیب شوند تا معماری شبکه برای کاربردهای خاص نیز ساخته شود. از این رو ، درک معماریهای این شبکهها دارای اهمیت است تا برای تحولات آینده در هوش مصنوعی آماده شویم.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.