دانلود مقاله : یک بررسی مقدماتی از یادگیری عمیق برای مدل های پیش بینی با داده های بزرگ
درج جداولبه صورت تصویر درج شده است
یک بررسی مقدماتی از یادگیری عمیق برای مدل های پیش بینی با داده های بزرگ |
|||
---|---|---|---|
عنوان انگلیسی مقاله | An Introductory Review of Deep Learning for Prediction Models With Big Data | ||
تعداد صفحات انگلیسی | ۲۳ | ||
تعداد صفحات فارسی | ۵۸ | ||
فرمت ترجمه | Word | ||
سال نشر | ۲۰۲۰ | ||
ترجمه عناوین تصاویر و جداول | ترجمه شده است | ||
درج تصاویر در فایل ترجمه | درج شده | ||
درج فرمولها و محاسبات در فایل ترجمه | به صورت تصویر درج شده است |
https://dl.safirdep.com/essays/Deep-Learning-for-Prediction-Models.pdf
چکیده
مدل های یادگیری عمیق 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 یادگیری عمیق 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.
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.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.