सभी विभिन्न प्रकार के तंत्रिका नेटवर्क किसके लिए उपयोग किए जाते हैं?

मुझे निम्नलिखित न्यूरल नेटवर्क चीट शीट ( ची, शीट्स फॉर एआई, न्यूरल नेटवर्क्स, मशीन लर्निंग, डीप लर्निंग एंड बिग डेटा ) मिली ।

इन सभी विभिन्न प्रकार के तंत्रिका नेटवर्क किसके लिए उपयोग किए जाते हैं? उदाहरण के लिए, प्रतिगमन या वर्गीकरण के लिए कौन से तंत्रिका नेटवर्क का उपयोग किया जा सकता है, जिसका उपयोग अनुक्रम पीढ़ी, आदि के लिए किया जा सकता है? मुझे बस उनके अनुप्रयोगों के संक्षिप्त अवलोकन (1-2 पंक्ति) की आवश्यकता है।

— datdinhquoc
स्रोत

मैं मानता हूं कि यह बहुत व्यापक है, लेकिन यहां उनमें से अधिकांश के लिए 1 वाक्य उत्तर है। जिन लोगों को मैंने छोड़ दिया (चार्ट के नीचे से) वे बहुत आधुनिक हैं, और बहुत विशिष्ट हैं। मैं उनके बारे में ज्यादा नहीं जानता, इसलिए शायद कोई ऐसा हो जो इस उत्तर को बेहतर बना सके।

पर्सेप्ट्रॉन: रैखिक या लॉजिस्टिक-जैसे प्रतिगमन (और इस प्रकार, वर्गीकरण)।
फ़ीड आगे: आमतौर पर गैर-रेखीय प्रतिगमन या सिग्मोइडल सक्रियण के साथ वर्गीकरण। अनिवार्य रूप से एक बहु-परत अवधारणात्मक।
रेडियल बेसिस नेटवर्क: रेडियल बेसिस सक्रियण कार्यों के साथ फीड फॉरवर्ड नेटवर्क। वर्गीकरण और कुछ प्रकार के वीडियो / ऑडियो फ़िल्टरिंग के लिए उपयोग किया जाता है
डीप फीड फॉरवर्ड: 1 से अधिक छिपी हुई परत के साथ फीड फॉरवर्ड। वर्गीकरण या प्रतिगमन में अधिक जटिल पैटर्न सीखने के लिए उपयोग किया जाता है, शायद सुदृढीकरण सीखने।

आवर्तक तंत्रिका नेटवर्क: एक डीप फीड फॉरवर्ड नेटवर्क जहां कुछ नोड्स अतीत से जुड़ते हैं परतों हैं। सुदृढीकरण सीखने में प्रयुक्त, और पाठ या ऑडियो जैसे अनुक्रमिक डेटा में पैटर्न सीखने के लिए।
LSTM: विशेष नियंत्रण न्यूरॉन्स (कभी-कभी गेट्स) के साथ एक आवर्तक तंत्रिका नेटवर्क जो संकेतों को लंबे समय तक याद रखने की अनुमति देता है, या चुनिंदा रूप से भूल जाता है। किसी भी आरएनएन एप्लिकेशन में उपयोग किया जाता है, और अक्सर ऐसे अनुक्रम सीखने में सक्षम होते हैं जिनके पास बहुत लंबे समय तक दोहराव होता है।
GRU: LSTM की तरह, विशेष नियंत्रण न्यूरॉन्स के साथ एक और तरह का गेटेड RNN।

ऑटो एनकोडर: डेटा को संपीड़ित करने के लिए सीखता है और फिर इसे विघटित करता है। इस मॉडल को सीखने के बाद, इसे दो उपयोगी उप-भागों में विभाजित किया जा सकता है: इनपुट स्पेस से निम्न-आयामी सुविधा स्थान तक मैपिंग, जो व्याख्या या समझने में आसान हो सकता है; और साधारण पैटर्न के छोटे आयामी उप-स्थान से एक मैपिंग जटिल पैटर्न में, जिसका उपयोग उन जटिल पैटर्न को उत्पन्न करने के लिए किया जा सकता है। दृष्टि, भाषा और ऑडियो प्रोसेसिंग में बहुत आधुनिक काम का आधार।
VAE, DAE, SAE: ऑटो एनकोडर के विशेषज्ञ।

मार्कोव चेन: एक मार्कोव श्रृंखला का तंत्रिका नेटवर्क प्रतिनिधित्व: राज्य सक्रिय न्यूरॉन्स के सेट में एन्कोडेड है, और संक्रमण संभावनाएं इस प्रकार भार द्वारा परिभाषित की जाती हैं। अन्य अनुप्रयोगों के लिए संक्रमण संभाव्यता और अनुपलब्ध सुविधा सीखने के लिए उपयोग किया जाता है।
एचएन, बीएम, आरबीएम, डीबीएम: मार्कोव चेन विचार के आधार पर विशिष्ट आर्किटेक्चर, अन्य अनुप्रयोगों के लिए स्वचालित रूप से उपयोगी सुविधाओं को सीखने के लिए उपयोग किया जाता है।

डीप कंफ्यूजनल नेटवर्क: एक फीड-फॉरवर्ड नेटवर्क की तरह, लेकिन प्रत्येक नोड वास्तव में नोड्स का एक बैंक है जो इससे पहले परत से एक कनवल्शन सीख रहा है। यह अनिवार्य रूप से फिल्टर, एज डिटेक्टर और वीडियो और ऑडियो प्रोसेसिंग में रुचि के अन्य पैटर्न को सीखने की अनुमति देता है।
डीप डिक्नोवॉक्शनल नेटवर्क: किसी अर्थ में एक कन्वेंशनल नेटवर्क के विपरीत। उन सुविधाओं से एक मानचित्रण सीखें जो किनारों या कुछ अनदेखी छवि के अन्य उच्च स्तरीय गुणों का प्रतिनिधित्व करते हैं, पिक्सेल स्थान पर वापस। सारांश से चित्र बनाएँ।
DCIGN: अनिवार्य रूप से DCN और DN से बना एक ऑटो-एनकोडर एक साथ अटक जाता है। चेहरे जैसी जटिल छवियों के लिए सामान्य मॉडल सीखने के लिए उपयोग किया जाता है।
जनरेशनल एडवांसरियल नेटवर्क: जटिल चित्रों (या अन्य डेटा प्रकारों) के लिए जेनरेटर मॉडल सीखने के लिए उपयोग किया जाता है जब DCIGN के लिए पर्याप्त प्रशिक्षण डेटा उपलब्ध नहीं होता है। एक मॉडल यादृच्छिक शोर से डेटा उत्पन्न करना सीखता है, और दूसरा जो भी प्रशिक्षण डेटा उपलब्ध है, उससे पहले नेटवर्क के आउटपुट को वर्गीकृत करना सीखता है।

— जॉन डकेट
स्रोत