قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
الشبكة العصبية المتكررة العميقة
بنية شبكة عصبية تتضمن عدة طبقات متكررة مكدسة لالتقاط التبعيات الزمنية الهرمية المعقدة في البيانات التسلسلية. تتيح تعلم التمثيلات المجردة على مستويات زمنية مختلفة.
الشبكة العصبية المتكررة المكدسة
تكوين حيث يتم تكديس عدة طبقات من الشبكات العصبية المتكررة رأسياً، كل طبقة تعالج مخرجات الطبقة السابقة كمدخل. تسهل استخراج السمات الزمنية التدريجياً أكثر تجريداً.
التمثيل الزمني الهرمي
تمثيل البيانات التسلسلية منظمة في مستويات متزايدة من التجريد الزمني، من الأنماط المحلية إلى الهياكل العامة. ضروري لنمذجة الظواهر المعقدة ذات المقاييس الزمنية المتعددة.
الشبكة العصبية المتكررة العميقة ثنائية الاتجاه
بنية تجمع بين الطبقات المتكررة ثنائية الاتجاه مع تكديس عميق لالتقاط السياق الماضي والمستقبلي في كل مستوى هرمي. فعالة بشكل خاص لمهام الفهم التسلسلي الكامل.
تكديس LSTM
تقنية التكديس الرأسي لعدة طبقات LSTM لإنشاء نماذج عميقة قادرة على تعلم التبعيات الزمنية طويلة الأمد ومتعددة المستويات. كل طبقة LSTM تعمل كمستخرج للسمات الزمنية المتعاقبة.
الشبكة العميقة GRU
شبكة عصبية عميقة قائمة على تكديس طبقات GRU (وحدة البوابات المتكررة) لنمذجة التسلسلات بكفاءة مع معلمات أقل من LSTM العميقة. توفر توازناً بين الأداء والتعقيد الحسابي.
هرمية السمات الزمنية
هيكل تنظيمي للسمات الزمنية المستخرجة بواسطة الطبقات المتعاقبة للشبكة العصبية المتكررة العميقة، من الأنماط المحلية إلى الأنماط العامة. تتيح فهماً تدريجياً متعدد المقاييس للبيانات التسلسلية.
نمذجة التسلسل العميقة
نموذج تعلم يستخدم بنى متكررة عميقة لنمذجة التسلسلات المعقدة ذات التبعيات طويلة الأمد والهياكل الهرمية. أساسي للتطبيقات في معالجة اللغات الطبيعية، ومعالجة الصوت، والرؤية الزمنية.
هندسة الشبكات العصبية المتكررة متعددة الطبقات
هيكل حاسوبي ينظم عدة طبقات متكررة بشكل متتالي لتعلم التمثيلات الزمنية المجردة تدريجياً. كل طبقة تعمل على المخرجات المحولة للطبقة السفلية.
الديناميكيات الزمنية العميقة
قدرة الشبكات العصبية المتكررة العميقة على التقاط ونمذجة التطورات الزمنية المعقدة على مقاييس زمنية متعددة. أساسية لفهم الظواهر التسلسلية ذات الديناميكيات غير الخطية.
التعلم التسلسلي الهرمي
عملية التعلم الآلي حيث يكتشف النموذج ويستغل الهياكل الهرمية الكامنة في البيانات التسلسلية. يسمح بالتعميم المحسن على المهام المعقدة للتنبؤ التسلسلي.
استخلاص السمات الزمنية العميقة
آلية تستخرج بها الطبقات المتعاقبة لشبكة RNN عميقة سمات زمنية متزايدة التجريد والدلالة. حاسم لتحويل التسلسلات الأولية إلى تمثيلات معلوماتية.
هياكل LSTM/GRU المكدسة
هندسة هجينة تجمع بين تكديس طبقات LSTM و GRU للاستفادة من مزايا كل نوع من الخلايا المتكررة. تسمح بنمذجة مرنة للتبعيات الزمنية المعقدة.
التسلسل إلى التسلسل العميق
هندسة مشفر-فك تشفير عميقة تستخدم RNN مكدسة لتحويل التسلسلات المدخلة إلى تسلسلات مخرجة ذات أطوال متغيرة. أساسية لمهام الترجمة الآلية وتوليد النصوص.
النمذجة الزمنية متعددة المقاييس
قدرة الشبكات RNN العميقة على التقاط الأنماط الزمنية في مقاييس مختلفة في وقت واحد، من الأنماط الدقيقة إلى الهياكل الكبيرة. أساسية لفهم شامل للبيانات التسلسلية المعقدة.
الانتباه المتكرر العميق
آلية انتباه مدمجة في هياكل RNN عميقة للتركيز انتقائياً على الأجزاء ذات الصلة من التسلسلات في كل مستوى هرمي. يحسن بشكل كبير الأداء في المهام التسلسلية الطويلة.
الذاكرة الهرمية الزمنية
نظام ذاكرة منظم بشكل هرمي في الشبكات العصبية المتكررة العميقة لتخزين واسترجاع المعلومات الزمنية بكفاءة على مستويات مختلفة من التجريد. ضروري لمعالجة التسلسلات ذات الهياكل الزمنية المعقدة.
التجميع الزمني العميق
عملية تجميع هرمية يتم تطبيقها على التمثيلات الزمنية في الشبكات العصبية المتكررة العميقة لتقليل الأبعاد مع الحفاظ على المعلومات الأساسية. يسمح بضغط فعال للتسلسلات الطويلة.
التمثيل متعدد المستويات للتسلسل
مجموعة من التمثيلات التسلسلية التي يتم إنشاؤها على مستويات مختلفة من التجريد بواسطة الطبقات المتعاقبة لشبكة عصبية متكررة عميقة. يوفر عرضاً شاملاً متعدد المقاسات للبيانات التسلسلية.
التسرب المتكرر العميق
تقنية تنظيم خاصة بالشبكات المتكررة العميقة تطبق التسرب على الاتصالات المتكررة وبين الطبقات لمنع فرط التدريب. ضرورية لتدريب الشبكات العصبية المتكررة العميقة بكفاءة على البيانات المعقدة.