Untuk apa berbagai jenis jaringan saraf digunakan untuk?

Saya menemukan lembar cheat jaringan saraf berikut ( Cheat Sheets untuk AI, Neural Networks, Machine Learning, Deep Learning & Big Data ).

Untuk apa semua jenis jaringan saraf ini digunakan? Sebagai contoh, jaringan saraf mana yang dapat digunakan untuk regresi atau klasifikasi, yang dapat digunakan untuk pembuatan urutan, dll? Saya hanya perlu ikhtisar singkat (1-2 baris) dari aplikasi mereka.

Saya setuju bahwa ini terlalu luas, tetapi inilah jawaban 1 kalimat untuk sebagian besar dari mereka. Yang saya tinggalkan (dari bawah grafik) sangat modern, dan sangat khusus. Saya tidak tahu banyak tentang mereka, jadi mungkin seseorang yang benar-benar dapat meningkatkan jawaban ini.

• Perceptron: Regresi linier atau seperti logistik (dan dengan demikian, klasifikasi).
• Feed Forward: Biasanya regresi atau klasifikasi non-linear dengan aktivasi sigmoidal. Intinya multi-layer perceptron.
• Radial Basis Network: Feed Forward network dengan fungsi aktivasi Radial Basis. Digunakan untuk klasifikasi dan beberapa jenis filter video / audio
• Deep Feed Forward: Feed Forward dengan lebih dari 1 lapisan tersembunyi. Digunakan untuk mempelajari pola yang lebih kompleks dalam klasifikasi atau regresi, mungkin pembelajaran penguatan.

• Recurrent Neural Network: A Deep Feed Forward Network di mana beberapa node terhubung ke lapisan sebelumnya . Digunakan dalam pembelajaran penguatan, dan untuk mempelajari pola dalam data berurutan seperti teks atau audio.
• LSTM: Jaringan saraf berulang dengan neuron kontrol khusus (kadang-kadang disebut gerbang) yang memungkinkan sinyal diingat untuk jangka waktu yang lebih lama, atau secara selektif terlupakan. Digunakan dalam aplikasi RNN apa pun, dan seringkali dapat mempelajari urutan yang memiliki waktu pengulangan yang sangat lama.
• GRU: Sama seperti LSTM, jenis lain RNN yang terjaga keamanannya dengan neuron kontrol khusus.

• Auto Encoder: Mempelajari kompres data dan kemudian mendekompresnya. Setelah mempelajari model ini, dapat dibagi menjadi dua sub-bagian yang berguna: pemetaan dari ruang input ke ruang fitur dimensi rendah, yang mungkin lebih mudah untuk ditafsirkan atau dipahami; dan pemetaan dari subruang dimensi kecil dari angka-angka sederhana menjadi pola-pola kompleks, yang dapat digunakan untuk menghasilkan pola-pola kompleks itu. Dasar dari banyak pekerjaan modern dalam penglihatan, bahasa, dan pemrosesan audio.
• VAE, DAE, SAE: Spesialisasi dari Auto Encoder.

• Rantai Markov: Representasi jaringan saraf dari rantai markov: Negara dikodekan dalam set neuron yang aktif, dan probabilitas transisi dengan demikian ditentukan oleh bobot. Digunakan untuk mempelajari probabilitas transisi dan pembelajaran fitur tanpa pengawasan untuk aplikasi lain.
• HN, BM, RBM, DBM: Arsitektur khusus berdasarkan ide Markov Chain, yang digunakan untuk secara otomatis mempelajari fitur yang berguna untuk aplikasi lain.

• Deep Convolutional Network: Seperti jaringan umpan-maju, tetapi setiap node benar-benar merupakan bank node yang mempelajari konvolusi dari layer sebelumnya. Ini pada dasarnya memungkinkannya mempelajari filter, detektor tepi, dan pola minat lain dalam pemrosesan video dan audio.

• Deep Deconvolutional Network: Bertentangan dengan Jaringan Konvolusional dalam beberapa hal. Pelajari pemetaan dari fitur yang mewakili tepi atau properti tingkat tinggi lainnya dari beberapa gambar yang tak terlihat, kembali ke ruang piksel. Buat gambar dari ringkasan.

• DCIGN: Pada dasarnya auto-encoder yang terbuat dari DCN dan DN saling menempel. Digunakan untuk mempelajari model generatif untuk gambar kompleks seperti wajah.

• Generatif Adversarial Network: Digunakan untuk mempelajari model generatif untuk gambar kompleks (atau tipe data lainnya) ketika tidak cukup data pelatihan untuk DCIGN. Satu model belajar untuk menghasilkan data dari noise acak, dan yang lainnya belajar untuk mengklasifikasikan output dari jaringan pertama sebagai berbeda dari data pelatihan apa pun yang tersedia.