Farklı sinir ağları için kullanılan çeşitler nelerdir?

Aşağıdaki sinir ağı hile sayfasını buldum ( AI, Sinir Ağları, Makine Öğrenimi, Derin Öğrenme ve Büyük Veri için Hile Sayfaları ).

Tüm bu farklı sinir ağları ne için kullanılır? Örneğin, regresyon veya sınıflandırma için hangi sinir ağları kullanılabilir, hangileri sekans oluşturma vb. İçin kullanılabilir? Uygulamalarına kısa bir bakış (1-2 satır) gerekiyor.

Bunun çok geniş olduğuna katılıyorum, ancak burada çoğu için 1 cümle cevabı var. Dışarıda bıraktığım olanlar (grafiğin altından) çok modern ve çok özel. Onlar hakkında çok şey bilmiyorum, bu yüzden belki de bu cevabı geliştirebilir.

• Algılayıcı: Doğrusal veya lojistik benzeri regresyon (ve dolayısıyla sınıflandırma).
• İleri Besleme: Genellikle lineer olmayan regresyon veya sigmoidal aktivasyon ile sınıflandırma. Esasen çok katmanlı bir algılayıcı.
• Radyal Temel Ağ: Radyal Temel etkinleştirme işlevlerine sahip İleri Besleme ağı. Sınıflandırma ve bazı video / ses filtreleme için kullanılır
• Derin Besleme İleri: 1'den fazla gizli katmanla İleri Besleme. Sınıflandırma veya regresyonda, belki de takviye öğrenmede daha karmaşık kalıpları öğrenmek için kullanılır.

• Tekrarlayan Sinir Ağı: Bazı düğümlerin geçmiş katmanlara bağlandığı Derin Besleme İleri Ağı . Takviye öğrenmede ve metin veya ses gibi ardışık verilerdeki kalıpları öğrenmek için kullanılır.
• LSTM: Sinyallerin daha uzun süre hatırlanmasına veya seçici olarak unutulmasına izin veren özel kontrol nöronları (bazen kapılar olarak da adlandırılır) olan tekrarlayan bir sinir ağı. Herhangi bir RNN uygulamasında kullanılır ve genellikle çok uzun tekrarlama süresine sahip dizileri öğrenebilir.
• GRU: LSTM'ye çok benziyor, özel kontrol nöronlarına sahip başka bir tür geçitli RNN.

• Otomatik Kodlayıcı: Verileri sıkıştırmayı ve sonra sıkıştırmayı öğrenir. Bu modeli öğrendikten sonra, iki yararlı alt bölüme ayrılabilir: giriş alanından düşük boyutlu bir özellik alanına eşleme, yorumlanması veya anlaşılması daha kolay olabilir; ve basit sayıların küçük boyutlu bir alt uzayından bu karmaşık desenleri oluşturmak için kullanılabilecek karmaşık desenlere bir eşleme. Görme, dil ve ses işlemede çok modern çalışmaların temeli.
• VAE, DAE, SAE: Otomatik Kodlayıcının Uzmanlıkları.

• Markov Zinciri: Bir markov zincirinin nöral ağ temsili: Durum, aktif olan nöronlar kümesinde kodlanır ve bu nedenle geçiş olasılıkları ağırlıklar tarafından tanımlanır. Geçiş olasılıklarını ve diğer uygulamalar için denetimsiz özellik öğrenmeyi öğrenmek için kullanılır.
• HN, BM, RBM, DBM: Markov Zinciri fikrine dayanan, diğer uygulamalar için yararlı özellikleri otomatik olarak öğrenmek için kullanılan özel mimariler.

• Derin Evrişim Ağı: İleri beslemeli bir ağ gibi, ancak her bir düğüm gerçekten ondan önceki katmandan bir evrişim öğrenen bir düğümler bankasıdır. Bu aslında filtreleri, kenar dedektörlerini ve video ve ses işlemeyle ilgilenen diğer modelleri öğrenmesini sağlar.

• Derin Dekonvolüsyon Ağı: Bir anlamda Evrişim Ağı'nın karşısında. Görünmeyen bir görüntünün kenarlarını veya diğer yüksek düzey özelliklerini temsil eden özelliklerden piksel alanına geri eşleme öğrenin. Özetlerden görüntüler oluşturun.

• DCIGN: Esasen bir DCN ve DN'den oluşan bir otomatik kodlayıcı birbirine yapışmış. Yüzler gibi karmaşık görüntüler için üretken modelleri öğrenmek için kullanılır.

• Üretken Adversarial Network: DCIGN için yeterli eğitim verisi olmadığında karmaşık görüntüler (veya diğer veri türleri) için üretken modelleri öğrenmek için kullanılır. Bir model rastgele gürültüden veri üretmeyi öğrenirken, diğeri birinci ağın çıktısını mevcut eğitim verisinden farklı olarak sınıflandırmayı öğrenir.