چکیده
یادگیری عمیق (DL) نقش بسیار مهمی در زندگی ما ایفا
میکند. یادگیری عمیق هم اکنون تاثیر زیادی در حوزههایی مانند تشخیص سرطان، پزشکی
دقیق، خودروهای خودران، پیشبینی پیشگویانه و تشخیص گفتار دارد. استخراجگرهای
ویژگی دستی که در یادگیری سنتی، طبقهبندی و سیستمهای بازشناسی الگو مورد استفاده
قرار میگیرند برای مجموعههای داده بزرگ، مقیاسپذیر نیستند. اما در بسیاری از
موارد، بسته به پیچیدگی مساله یادگیری عمیق میتواند بر محدودیتهای شبکههای
کمعمق پیشین غلبه کند. پیچیدگی مساله در واقع از آموزش کارآمد و ایجاد انتزاع از
نمایشهای ترتیبیِ دادههای آموزشی چندبعدی جلوگیری میکند. شبکه عصبی عمیق (DNN) از لایههای متعدد (عمیق) همراه با
الگوریتمها و معماریهای بسیار بهینه استفاده میکند. این مقاله چندین روش بهینهسازی
را برای بهبود دقت آموزش و کاهش زمان آموزش بررسی میکند. در ادامه ما مدل ریاضی
الگوریتم های آموزشی استفادهشده در شبکههای عمیق اخیر را بررسی میکنیم. ما
کاستیهای فعلی، پیشرفت ها و نحوه پیادهسازی را توضیح میدهیم. این مقاله انواع
مختلفی از معماریهای عمیق مانند شبکههای کانولوشن عمیق، شبکههای پسماند عمیق،
شبکههای عصبی تکرارشونده، یادگیری تقویتی، خودرمزگذارهای متغیر و غیره را پوشش میدهد.
Link: https://faratarjome.ir/u/news/بررسی-الگوریتم-ها-و-معماری-های-یادگیری-عمیق-4.html