view in publisher's site
- خانه
- لیست مقالات
- چکیده
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)مشکلی را حل کرده‌است که چند سال پیش تصور می‌شد رام نشدنی باشد - تشخیص خودکار الگوها در داده‌های فضایی و زمانی با دقت برتر از انسان.
این روش مشکلاتی فراتر از حوزه الگوریتم های یادگیری ماشینی سنتی و دست‌ساز را حل کرده و تصورات افراد حرفه‌ای را که از تمام انواع داده‌ها اشباع شده‌اند، به تصویر می‌کشد.
با افزایش آگاهی عمومی از اثربخشی DL، تمایل به استفاده از آن نیز افزایش می‌یابد.
اما حتی برای حرفه‌ای‌های بسیار آموزش‌دیده، نزدیک شدن به بدنه دانش که به سرعت در حال افزایش است، می‌تواند دلهره‌آور باشد.
از کجا شروع می‌شود؟
همچنین برخی از پروتکل‌های بهینه‌سازی معماری خودکار جدید که از رویکردهای چند عاملی استفاده می‌کنند را مورد بحث قرار می‌دهیم.
علاوه بر این، از آنجا که تضمین زمان به روز بودن سیستم برای بسیاری از کاربردها حیاتی است، یک بخش در استفاده از DL برای تشخیص و کاهش خطا صرفه‌جویی می‌کند.
این امر با یک بررسی اکتشافی از چندین حوزه دنبال می‌شود که در آن DL به عنوان یک تعویض بازی ظاهر می‌شود: تشخیص تقلب در کاربردهای مالی، پیش‌بینی سری‌های زمانی مالی، تحلیل پیش‌بینی و تجویزی، پردازش تصویر پزشکی، تحقیق سیستم‌های قدرت و سیستم‌های توصیه‌گر.
فشار این بررسی، طرح کلی کاربردهای در حال ظهور DL و ارائه یک مرجع برای محققانی است که به دنبال استفاده از DL در کار خود برای شناخت الگو با ظرفیت یادگیری بی‌نظیر و توانایی مقیاس گذاری با داده‌ها هستند.
ترجمه شده با 
- مقاله Software
- ترجمه مقاله Software
- مقاله نرم‌افزار
- ترجمه مقاله نرم‌افزار
- مقاله Information Systems and Management
- ترجمه مقاله Information Systems and Management
- مقاله سیستم‌های اطلاعاتی و مدیریت
- ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
- مقاله Artificial Intelligence
- ترجمه مقاله Artificial Intelligence
- مقاله هوش مصنوعی
- ترجمه مقاله هوش مصنوعی
- مقاله Management Information Systems
- ترجمه مقاله Management Information Systems
- مقاله مدیریت سیستم‌های اطلاعاتی
- ترجمه مقاله مدیریت سیستم‌های اطلاعاتی
ترجمه کنید