دانلود مقاله : یک بررسی مقدماتی از یادگیری عمیق برای مدل های پیش بینی با داده های بزرگ

 چکیده

مدل های یادگیری‌عمیق ارائه دهنده 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 ، علاقه چشمگیری در این شاخه علمی ایجاد کرده است ؛ چرا که امکان به کارگیری یادگیری‌عمیق در بسیاری از حوزه های دیگر که با داده های بزرگ سر و کار دارند ، وجود دارد. از معایب یادگیری عمیق ، بخصوص برای دانشمندان میان رشته ای ، محاسبات و ریاضیات پیچیده ای است که در مدل های یادگیری عمیق وجود دارد. یادگیری عمیق

به همین دلیل ، ما در این مقاله یک مرور کلی به رویکردهای یادگیری عمیق شامل شبکه های عصبی پیشخور (D-FFNN) ، شبکه های عصبی کانولوشن (CNNs) ، شبکه باور عمیق (DBNs) ، خودرمزگذارها (AEs) ، حافظه طولانی کوتاه-مدت (LSTM) خواهیم داشت.

این مدل ها 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 ، بلوک های اصلی سازنده معماری می توانند به صورت انعطاف پذیری ترکیب شوند ( تقریباً به روشی مانند لگو)، تا معماری های شبکه برای کاربردهای خاص نیز ساخته شود. از این رو ، درک معماری های این شبکه ها دارای اهمیت است تا برای تحولات آینده در هوش مصنوعی آماده شویم.

مشاهده جدیدترین مقالات ترجمه شده در مورد بلاک چین

مشاهده جدیدترین مقالات ترجمه شده مهندسی کامپیوتر

مشاهده جدیدترین مقالات ترجمه شده اینترنت اشیا

مشاهده جدیدترین مقالات ترجمه شده داده کاوی