เครือข่ายประสาทประเภทต่าง ๆ ใช้สำหรับทำอะไร?

ฉันพบแผ่นโกงโครงข่ายประสาทต่อไปนี้ (แผ่นโกงสำหรับ AI, โครงข่ายประสาทเทียม, การเรียนรู้ของเครื่อง, การเรียนรู้ลึกและข้อมูลขนาดใหญ่ )

เครือข่ายประสาทประเภทต่าง ๆ เหล่านี้ใช้ทำอะไร? ตัวอย่างเช่นเครือข่ายประสาทใดสามารถใช้สำหรับการถดถอยหรือการจำแนกซึ่งสามารถใช้สำหรับการสร้างลำดับ ฯลฯ ฉันต้องการภาพรวมสั้น ๆ (1-2 บรรทัด) ของแอปพลิเคชันของพวกเขา

ฉันยอมรับว่านี่กว้างเกินไป แต่นี่เป็นคำตอบ 1 ประโยคสำหรับพวกเขาส่วนใหญ่ สิ่งที่ฉันทิ้งไว้ (จากด้านล่างของแผนภูมิ) นั้นทันสมัยมากและมีความเชี่ยวชาญเป็นพิเศษ ฉันไม่รู้อะไรเกี่ยวกับพวกเขาดังนั้นบางทีคนที่สามารถปรับปรุงคำตอบนี้ได้

• Perceptron: การถดถอยเชิงเส้นหรือแบบโลจิสติกส์
• ฟีดไปข้างหน้า: โดยทั่วไปแล้วการถดถอยที่ไม่เป็นเชิงเส้นหรือการจัดประเภทด้วยการเปิดใช้งาน sigmoidal โดยพื้นฐานแล้วเป็น perceptron หลายชั้น
• เครือข่าย Radial Basis: ฟีดเครือข่ายส่งต่อพร้อมฟังก์ชั่นการเปิดใช้งาน Radial Basis ใช้สำหรับการจำแนกประเภทและการกรองวิดีโอ / เสียงบางประเภท
• Deep Feed Forward: ส่งต่อฟีดที่มีเลเยอร์ที่ซ่อนอยู่มากกว่า 1 รายการ ใช้เพื่อเรียนรู้รูปแบบที่ซับซ้อนมากขึ้นในการจำแนกหรือการถดถอยบางทีอาจเป็นการเรียนรู้เสริม

• Recurrent Neural Network: Deep Feed Forward Network ที่บางโหนดเชื่อมต่อกับเลเยอร์ที่ผ่านมา ใช้ในการเรียนรู้การเสริมแรงและเพื่อเรียนรู้รูปแบบในข้อมูลลำดับเช่นข้อความหรือเสียง
• LSTM: เครือข่ายประสาทกำเริบที่มีเซลล์ควบคุมพิเศษ (บางครั้งเรียกว่าประตู) ที่อนุญาตให้จดจำสัญญาณได้เป็นระยะเวลานานหรือถูกเลือกโดยลืม ใช้ในแอปพลิเคชัน RNN ใด ๆ และมักจะสามารถเรียนรู้ลำดับที่มีเวลาซ้ำซ้อนนานมาก
• GRU: เหมือนกับ LSTM, RNN แบบ gated อีกชนิดหนึ่งที่มีเซลล์ควบคุมพิเศษ

• ตัวเข้ารหัสอัตโนมัติ: เรียนรู้การบีบอัดข้อมูลแล้วขยายขนาด หลังจากเรียนรู้รูปแบบนี้มันสามารถแบ่งออกเป็นสองส่วนย่อยที่มีประโยชน์: การแมปจากพื้นที่อินพุตไปยังพื้นที่คุณลักษณะมิติต่ำซึ่งอาจง่ายต่อการตีความหรือเข้าใจ และการแมปจากพื้นที่ย่อยขนาดเล็กของตัวเลขอย่างง่ายเป็นรูปแบบที่ซับซ้อนซึ่งสามารถใช้ในการสร้างรูปแบบที่ซับซ้อนเหล่านั้น พื้นฐานของงานสมัยใหม่ในด้านการมองเห็นภาษาและการประมวลผลเสียง
• VAE, DAE, SAE: ความเชี่ยวชาญพิเศษของตัวเข้ารหัสอัตโนมัติ

• มาร์คอฟเชน: เครือข่ายประสาทเทียมของมาร์คอฟลูกโซ่: สถานะถูกเข้ารหัสในชุดของเซลล์ประสาทที่ใช้งานอยู่และความน่าจะเป็นในการเปลี่ยนแปลงจึงถูกกำหนดโดยน้ำหนัก ใช้สำหรับการเรียนรู้ความน่าจะเป็นในการเปลี่ยนผ่านและการเรียนรู้คุณสมบัติที่ไม่มีผู้ดูแลสำหรับแอปพลิเคชันอื่น
• HN, BM, RBM, DBM: สถาปัตยกรรมเฉพาะตามแนวคิดของ Markov Chain ใช้เพื่อเรียนรู้คุณสมบัติที่เป็นประโยชน์สำหรับแอปพลิเคชันอื่นโดยอัตโนมัติ

• Deep Convolutional Network: เช่นเดียวกับเครือข่าย feed-forward แต่แต่ละโหนดเป็นธนาคารแห่งการเรียนรู้การแปลงจากเลเยอร์ก่อนหน้า สิ่งนี้จะช่วยให้เรียนรู้เกี่ยวกับตัวกรองตัวตรวจจับขอบและรูปแบบอื่น ๆ ที่น่าสนใจในการประมวลผลวิดีโอและเสียง

• Deep Deconvolutional Network: ตรงกันข้ามกับเครือข่าย Convolutional ในบางแง่มุม เรียนรู้การแมปจากคุณสมบัติที่เป็นตัวแทนของขอบหรือคุณสมบัติระดับสูงอื่น ๆ ของภาพที่มองไม่เห็นบางส่วนกลับไปที่พื้นที่พิกเซล สร้างภาพจากบทสรุป

• DCIGN: โดยพื้นฐานแล้วตัวเข้ารหัสอัตโนมัติที่ทำจาก DCN และ DN ติดกัน ใช้เพื่อเรียนรู้โมเดลทั่วไปสำหรับภาพที่ซับซ้อนเช่นใบหน้า

• Generative Adversarial Network: ใช้เพื่อเรียนรู้โมเดลทั่วไปสำหรับภาพที่ซับซ้อน (หรือประเภทข้อมูลอื่น ๆ ) เมื่อ DCIGN มีข้อมูลการฝึกอบรมไม่เพียงพอ แบบจำลองหนึ่งเรียนรู้ที่จะสร้างข้อมูลจากสัญญาณรบกวนแบบสุ่มและอีกแบบหนึ่งเรียนรู้ที่จะจำแนกผลลัพธ์ของเครือข่ายแรกที่แตกต่างจากข้อมูลการฝึกอบรมที่มีอยู่