Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
Yinelemeli sinir ağı, düğümler arası bağların zamansal bir dizi doğrultusunda yönlü çizge oluşturduğu bir yapay sinir ağı çeşididir. Yaygın olarak İngilizce kısaltması olan RNN (İngilizce: Recurrent neural network) olarak anılır. türetilen RNN yöntemi, bir iç durum belleği kullanarak değişik uzunluktaki dizileri işleyebilir. Bu sayede ve konuşma tanıma gibi problemlere uygulanabilir. Teorik olarak Turing makinesine denk () olan yinelemeli sinir ağları, herhangi uzunluktaki bir girdiyi işleyebilen herhangi bir programı çalıştırabilir.
Tarihçe
Yinelemeli sinir ağları David Rumelhart'ın 1986 yılındaki çalışmasına dayanır.Hopfield ağı denen özel bir RNN türü de tarafından 1982 yılında geliştirilmiştir. 1993 yılında, bir RNN çalışması 1000'den fazla katman gerektiren bir çok derin öğrenme görevini başarmıştır.Long short-term memory (LSTM) ağları ve tarafından 1997 yılında geliştirilmiş ve çeşitli uygulama alanlarında en iyi performansları kaydetmiştir.
Çeşitleri
Birçok farklı RNN mimarisi vardır.
Tam yinelemeli
Tam yinelemeli sinir ağlarında tüm nöronların çıktısı tüm nöronların girdisine bağlanır. En genel RNN mimarisi budur, çünkü diğer tüm mimariler, buradaki bazı bağların ağırlıkları sıfırlanarak elde edilebilir. RNN'ler iki farklı biçimde gösterilir: kapalı biçimde, özyineleme bağlantıları düğümlerin kendilerinin bir sonraki adımdaki durumuna olan bağlantılarıdır; açılmış biçimde, düğümlerin her zaman adımındaki durumları ayrı ayrı gösterilir.
Geçitli yineleme birimi
Geçitli yineleme birimi (İngilizce: gated recurrent unit, GRU) 2014 yılında önerilmiş bir yinelemeli ağ birimidir. Bu birimler, nöronlar arasındaki geçişi düzenleyen bir takım öğeler barındırır.LSTM'e benzer şekilde unutma kapısı bulunur, ancak GRU yapıları genellikle daha basittir.Polifonik müzik ve konuşma sinyali modelleme gibi işlerde LSTM'e benzer bir başarıyla çalışır.
Kaynakça
- ^ Dupond, Samuel (2019). "A thorough review on the current advance of neural network structures". Annual Reviews in Control. Cilt 14. ss. 200-230. 3 Haziran 2020 tarihinde kaynağından . Erişim tarihi: 3 Kasım 2021.
- ^ Abiodun, Oludare Isaac; Jantan, Aman; Omolara, Abiodun Esther; Dada, Kemi Victoria; Mohamed, Nachaat Abdelatif; Arshad, Humaira (1 Kasım 2018). "State-of-the-art in artificial neural network applications: A survey". Heliyon (İngilizce). 4 (11). ss. e00938. doi:10.1016/j.heliyon.2018.e00938
![image]()
. ISSN 2405-8440. (PMC) 6260436 $2. (PMID) 30519653. - ^ Tealab, Ahmed (1 Aralık 2018). "Time series forecasting using artificial neural networks methodologies: A systematic review". Future Computing and Informatics Journal (İngilizce). 3 (2). ss. 334-340. doi:10.1016/j.fcij.2018.10.003
![image]()
. ISSN 2314-7288. 29 Kasım 2021 tarihinde kaynağından . Erişim tarihi: 3 Kasım 2021. - ^ ; Liwicki, Marcus; Fernandez, Santiago; Bertolami, Roman; Bunke, Horst; (2009). "A Novel Connectionist System for Improved Unconstrained Handwriting Recognition" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 31 (5). ss. 855-868. CiteSeerX 10.1.1.139.4502 $2. doi:10.1109/tpami.2008.137. (PMID) 19299860. 2 Ocak 2014 tarihinde kaynağından (PDF). Erişim tarihi: 3 Kasım 2021.
- ^ Sak, Haşim; Senior, Andrew; Beaufays, Françoise (2014). (PDF). 6 Eylül 2015 tarihinde kaynağından (PDF) arşivlendi.
- ^ Li, Xiangang; Wu, Xihong (15 Ekim 2014). "Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition". arXiv:1410.4281 $2.
- ^ Hyötyniemi, Heikki (1996). "Turing machines are recurrent neural networks". Proceedings of STeP '96/Publications of the Finnish Artificial Intelligence Society: 13-24.
- ^ Williams, Ronald J.; Hinton, Geoffrey E.; Rumelhart, David E. (October 1986). "Learning representations by back-propagating errors". Nature. 323 (6088): 533-536. Bibcode:1986Natur.323..533R. doi:10.1038/323533a0. ISSN 1476-4687.
- ^ Schmidhuber, Jürgen (1993). Habilitation thesis: System modeling and optimization (PDF). s. 150.[]
- ^ ; Schmidhuber, Jürgen (1 Kasım 1997). "Long Short-Term Memory". Neural Computation. 9 (8): 1735-1780. doi:10.1162/neco.1997.9.8.1735. (PMID) 9377276.
- ^ Heck, Joel; Salem, Fathi M. (12 Ocak 2017). "Simplified Minimal Gated Unit Variations for Recurrent Neural Networks". arXiv:1701.03452 $2.
- ^ Dey, Rahul; Salem, Fathi M. (20 Ocak 2017). "Gate-Variants of Gated Recurrent Unit (GRU) Neural Networks". arXiv:1701.05923 $2.
- ^ Britz, Denny (27 Ekim 2015). . Wildml.com. 27 Ekim 2015 tarihinde kaynağından arşivlendi. Erişim tarihi: 18 Mayıs 2016.
- ^ Chung, Junyoung; Gulcehre, Caglar; Cho, KyungHyun; Bengio, Yoshua (2014). "Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling". arXiv:1412.3555 $2.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Yinelemeli sinir agi dugumler arasi baglarin zamansal bir dizi dogrultusunda yonlu cizge olusturdugu bir yapay sinir agi cesididir Yaygin olarak Ingilizce kisaltmasi olan RNN Ingilizce Recurrent neural network olarak anilir turetilen RNN yontemi bir ic durum bellegi kullanarak degisik uzunluktaki dizileri isleyebilir Bu sayede ve konusma tanima gibi problemlere uygulanabilir Teorik olarak Turing makinesine denk olan yinelemeli sinir aglari herhangi uzunluktaki bir girdiyi isleyebilen herhangi bir programi calistirabilir TarihceYinelemeli sinir aglari David Rumelhart in 1986 yilindaki calismasina dayanir Hopfield agi denen ozel bir RNN turu de tarafindan 1982 yilinda gelistirilmistir 1993 yilinda bir RNN calismasi 1000 den fazla katman gerektiren bir cok derin ogrenme gorevini basarmistir Long short term memory LSTM aglari ve tarafindan 1997 yilinda gelistirilmis ve cesitli uygulama alanlarinda en iyi performanslari kaydetmistir CesitleriBircok farkli RNN mimarisi vardir Tam yinelemeli Bir yinelemeli sinir agi ozyinelemeli baglantilarla sol ya da acilmis halde gosterilebilir sag Acilmis bicimde her dugum farkli bir katman gibi gorunse de ayni renkli dugumler ayni katmanin farkli zamanlardaki halidir Tam yinelemeli sinir aglarinda tum noronlarin ciktisi tum noronlarin girdisine baglanir En genel RNN mimarisi budur cunku diger tum mimariler buradaki bazi baglarin agirliklari sifirlanarak elde edilebilir RNN ler iki farkli bicimde gosterilir kapali bicimde ozyineleme baglantilari dugumlerin kendilerinin bir sonraki adimdaki durumuna olan baglantilaridir acilmis bicimde dugumlerin her zaman adimindaki durumlari ayri ayri gosterilir Gecitli yineleme birimi Gecitli yineleme birimi Gecitli yineleme birimi Ingilizce gated recurrent unit GRU 2014 yilinda onerilmis bir yinelemeli ag birimidir Bu birimler noronlar arasindaki gecisi duzenleyen bir takim ogeler barindirir LSTM e benzer sekilde unutma kapisi bulunur ancak GRU yapilari genellikle daha basittir Polifonik muzik ve konusma sinyali modelleme gibi islerde LSTM e benzer bir basariyla calisir Kaynakca Dupond Samuel 2019 A thorough review on the current advance of neural network structures Annual Reviews in Control Cilt 14 ss 200 230 3 Haziran 2020 tarihinde kaynagindan Erisim tarihi 3 Kasim 2021 Abiodun Oludare Isaac Jantan Aman Omolara Abiodun Esther Dada Kemi Victoria Mohamed Nachaat Abdelatif Arshad Humaira 1 Kasim 2018 State of the art in artificial neural network applications A survey Heliyon Ingilizce 4 11 ss e00938 doi 10 1016 j heliyon 2018 e00938 ISSN 2405 8440 PMC 6260436 2 PMID 30519653 Tealab Ahmed 1 Aralik 2018 Time series forecasting using artificial neural networks methodologies A systematic review Future Computing and Informatics Journal Ingilizce 3 2 ss 334 340 doi 10 1016 j fcij 2018 10 003 ISSN 2314 7288 29 Kasim 2021 tarihinde kaynagindan Erisim tarihi 3 Kasim 2021 Liwicki Marcus Fernandez Santiago Bertolami Roman Bunke Horst 2009 A Novel Connectionist System for Improved Unconstrained Handwriting Recognition PDF IEEE Transactions on Pattern Analysis and Machine Intelligence 31 5 ss 855 868 CiteSeerX 10 1 1 139 4502 2 doi 10 1109 tpami 2008 137 PMID 19299860 2 Ocak 2014 tarihinde kaynagindan PDF Erisim tarihi 3 Kasim 2021 Sak Hasim Senior Andrew Beaufays Francoise 2014 PDF 6 Eylul 2015 tarihinde kaynagindan PDF arsivlendi Li Xiangang Wu Xihong 15 Ekim 2014 Constructing Long Short Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition arXiv 1410 4281 2 Hyotyniemi Heikki 1996 Turing machines are recurrent neural networks Proceedings of STeP 96 Publications of the Finnish Artificial Intelligence Society 13 24 Williams Ronald J Hinton Geoffrey E Rumelhart David E October 1986 Learning representations by back propagating errors Nature 323 6088 533 536 Bibcode 1986Natur 323 533R doi 10 1038 323533a0 ISSN 1476 4687 Schmidhuber Jurgen 1993 Habilitation thesis System modeling and optimization PDF s 150 olu kirik baglanti Schmidhuber Jurgen 1 Kasim 1997 Long Short Term Memory Neural Computation 9 8 1735 1780 doi 10 1162 neco 1997 9 8 1735 PMID 9377276 Heck Joel Salem Fathi M 12 Ocak 2017 Simplified Minimal Gated Unit Variations for Recurrent Neural Networks arXiv 1701 03452 2 Dey Rahul Salem Fathi M 20 Ocak 2017 Gate Variants of Gated Recurrent Unit GRU Neural Networks arXiv 1701 05923 2 Britz Denny 27 Ekim 2015 Wildml com 27 Ekim 2015 tarihinde kaynagindan arsivlendi Erisim tarihi 18 Mayis 2016 Chung Junyoung Gulcehre Caglar Cho KyungHyun Bengio Yoshua 2014 Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling arXiv 1412 3555 2