Wielowymiarowe modele uczenia maszynowego

Sztuczna sieć neuronowa (ANN) to model inspirowany biologicznymi sieciami neuronowymi, takimi jak ludzki mózg. Model jest przykładem bardziej rzadkiego modelu uczenia maszynowego w porównaniu z LSTM i GRU. Zmniejsza to ryzyko nadmiernego dopasowania, jednocześnie oferując większą elastyczność niż model liniowy. ANN jest szkolony na danych przy użyciu wariantów opadania gradientu, takich jak AdaGrad i ADAM.

Model bramkowanej jednostki powtarzającej się (GRU) jest rodzajem nawracającej sieci neuronowej. Jako taki doskonale nadaje się do danych sekwencyjnych, takich jak szeregi czasowe. Główną siłą jest wysoka elastyczność w porównaniu z modelami liniowymi, model GRU może identyfikować nieliniowe wzorce w danych, co pozwala mu dokładniej je opisać. Jest podobny do LSTM, ale ma mniej parametrów, co zmniejsza ryzyko nadmiernego dopasowania mniejszych zestawów danych. GRU jest szkolony na danych przy użyciu wariantów opadania gradientu, takich jak AdaGrad i ADAM.

Model pamięci długotrwałej (LSTM) jest sztuczną nawracającą siecią neuronową. Szczególnie nadaje się do przetwarzania sekwencji danych, dzięki połączeniom sprzężenia zwrotnego. Modele LSTM są używane do wielu różnych zadań, takich jak analiza mowy i wideo, a także analiza szeregów czasowych. Jedną z głównych zalet modelu LSTM jest jego elastyczność, potrafi identyfikować złożone struktury w danych dzięki nieliniowym funkcjom aktywacji i dużej parametryzacji. LSTM jest szkolony na danych przy użyciu wariantów opadania gradientu, takich jak AdaGrad i ADAM.