یادگیری عمیق به زبان ساده : کدام نوع شبکه عمیق را انتخاب کنیم – قسمت چهارم

شبکه های عمیق در ساختارها و اندازه های متنوعی وجود دارند ، بنابراین چگونه باید تصمیم بگیریم از کدام نوع استفاده کنیم؟ جواب بستگی به این دارد که شما می خواهید اشیاء را کلاسه بندی ( طبقه بندی ) کنید یا ویژگی ها را استخراج می کنید. بیایید نگاهی به انتخاب های شما بیندازیم.

هشدار پیشگیرانه : این بخش شامل چندین اصطلاح جدید است ، اما مطمئن باشید همه آن ها در کلیپ های آینده توضیح داده می شوند.

اگر هدف شما آموزش کلاسه بند با مجموعه ای از داده های دارای برچسب است ، می بایست از پرسپترون چند لایه ( MLP )  یا یک شبکه باور عمیق ( DBN )  استفاده کنید. در صورت هدف قرار دادن هر یک از برنامه های زیر چند دستورالعمل ذکر شده است:

  • پردازش زبان طبیعی: از یک شبکه تنسور عصبی بازگشتی (RNTN) یا شبکه بازگشتی استفاده کنید.
  • تشخیص تصویر: از DBN یا شبکه کانولوشنی استفاده کنید
  • تشخیص شی: از یک شبکه کانولوشنی یا RNTN استفاده کنید
  • تشخیص گفتار: از یک شبکه بازگشتی استفاده کنید

اگر هدف شما استخراج الگوهای بالقوه مفید از مجموعه داده های برچسب نخورده است ، باید از ماشین بولتزمن محدود ( RBM ) یا نوعی کدگذار خودکار ( Autoencoder ) استفاده کنید. برای هر کاری که شامل پردازش داده های دنباله های زمانی باشد ، از شبکه بازگشتی استفاده کنید.

چه شبکه های عمیقی استفاده را مورد استفاده خود می بینید؟ لطفا نظر دهید و افکار خود را با ما در میان بگذارید.

منبع Youtube

درباره‌ی احمدرضا جعفری

همچنین ببینید

وقت آن است که هوش مصنوعی از مغز انسان فراتر برود

هوش مصنوعی باید از مغز انسان نیز فراتر برود!

داستان هوش مصنوعی از جایی شروع شد که ریاضی دانان، مهندسان و روان شناسان، تلاش …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *