A review of deep learning with special emphasis on architectures, applications and recent trends

Deep learning (DL) has solved a problem that a few years ago was thought to be intractable — the automatic recognition of patterns in spatial and temporal data with an accuracy superior to that of humans. It has solved problems beyond the realm of traditional, hand-crafted machine learning algorithms and captured the imagination of practitioners who are inundated with all types of data. As public awareness of the efficacy of DL increases so does the desire to make use of it. But even for highly trained professionals it can be daunting to approach the rapidly increasing body of knowledge in the field. Where does one start? How does one determine if a particular DL model is applicable to their problem? How does one train and deploy them? With these questions in mind, we present an overview of some of the key DL architectures. We also discuss some new automatic architecture optimization protocols that use multi-agent approaches. Further, since guaranteeing system uptime is critical to many applications, a section dwells on using DL for fault detection and mitigation. This is followed by an exploratory survey of several areas where DL emerged as a game-changer: fraud detection in financial applications, financial time-series forecasting, predictive and prescriptive analytics, medical image processing, power systems research and recommender systems. The thrust of this review is to outline emerging applications of DL and provide a reference to researchers seeking to use DL in their work for pattern recognition with unparalleled learning capacity and the ability to scale with data.

مروری بر یادگیری عمیق با تاکید ویژه بر معماری، کاربردها و رونده‌ای اخیر

یادگیری عمیق (DL)مساله‌ای را حل کرده‌است که چند سال پیش گمان می‌رفت intractable باشد - به رسمیت شناختن خودکار الگوها در داده‌های فضایی و زمانی با دقتی برتر نسبت به انسان. این مساله مشکلات فراتر از قلمرو الگوریتم‌های یادگیری ماشین دستی و دستی را حل کرده و تخیل افراد حرفه‌ای را که با تمام انواع داده‌ها زیر آب رفته‌اند را گرفته. همان طور که آگاهی عمومی از سودمندی DL افزایش می‌یابد میل به استفاده از آن نیز به کار می‌رود. اما حتی برای متخصصان بسیار آموزش‌دیده نیز می‌تواند به سرعت به سرعت فزاینده دانش در این زمینه نزدیک شود. اول کجا شروع می‌شود؟ یک شخص معین می‌کند که آیا یک مدل DL خاص برای their قابل‌استفاده است؟ چطور یک قطار در حال استقرار و استقرار آن‌ها است؟ با این سوالات در ذهن، مروری بر برخی از معماری‌های های کلید سازی کلید وجود دارد. ما همچنین در مورد برخی از پروتکل‌های بهینه‌سازی معماری خودکار جدید که از رویکردهای چند عاملی استفاده می‌کنند بحث می‌کنیم. علاوه بر این، از آنجایی که تضمین سیستم برای بسیاری از برنامه‌ها حیاتی است، یک بخش به استفاده از DL برای تشخیص خطا و تخفیف می‌پردازد. پس از آن یک بررسی اکتشافی از حوزه‌های مختلف به عنوان یک changer بازی ظاهر شد: تشخیص تقلب در کاربردهای مالی، پیش‌بینی سری‌های زمانی مالی، پیش‌بینی سری‌های زمانی مالی، پردازش تصویر پزشکی، تحقیق سیستم‌های قدرت و سیستم‌های توصیه‌گر. فشار این بررسی به طور خلاصه برنامه‌های جدید را نشان می‌دهد و مرجعی برای محققانی فراهم می‌کند که به دنبال استفاده از DL در کار خود برای شناسایی الگو با قابلیت یادگیری بی‌نظیر و توانایی در مقیاس کردن داده‌ها هستند.

ترجمه شده با