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

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.