مشخصات | |||
---|---|---|---|
عنوان انگلیسی مقاله | An Introductory Review of Deep Learning for Prediction Models With Big Data | ||
تعداد صفحات انگلیسی | ۲۳ | ||
تعداد صفحات فارسی | ۵۸ | ||
قالب فایل | Word | ||
سال نشر | ۲۰۲۰ | ||
لینک مقاله | https://www.frontiersin.org/articles/10.3389/frai.2020.00004/full | ||
دانلود رایگان مقاله انگلیسی | کلیک جهت دانلود مقاله انگلیسی | ||
دانلود مقاله فارسی | کلیک جهت دانلود مقاله فارسی | ||
ترجمه عناوین تصاویر و جداول | ترجمه شده است | ||
درج تصاویر در فایل ترجمه | درج شده |
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.