Derin Öğrenmenin Temelleri: Uzun Kısa Süreli Belleğe Giriş

Dizi tahmini problemleri uzun zamandır var. Veri bilimi endüstrisinde çözülmesi en zor problemlerden biri olarak kabul edilirler. Bunlar çok çeşitli problemleri içerir; satışları tahmin etmekten borsa verilerindeki kalıpları bulmaya, film planlarını anlamadan konuşma biçiminizi tanımaya, dil çevirilerinden iPhone'unuzun klavyesinde bir sonraki kelimenizi tahmin etmeye kadar.

Son yıllarda veri biliminde gerçekleşen atılımlarla, bu dizi tahmini problemlerinin neredeyse tamamı için, Uzun kısa Süreli Bellek Ağları, yani LSTM'lerin en etkili çözüm olduğu gözlenmiştir.

LSTM'ler, geleneksel ileri beslemeli sinir ağları ve RNN'nin birçok yönden bir avantajına sahiptir. Bunun nedeni, uzun süreler boyunca kalıpları seçici olarak hatırlama özelliklerinden kaynaklanmaktadır. Bu makalenin amacı LSTM'yi açıklamak ve gerçek yaşam problemlerinde kullanmanızı sağlamaktır. Aşağıdaki görsele bir bakalım.

İçindekiler

1. Flashback: Tekrarlayan Sinir Ağlarına (RNN) bir bakış

2. RNN'lerin sınırlamaları

3. RNN üzerinde iyileştirme: Uzun Kısa Süreli Bellek (LSTM)

4. LSTM Mimarisi

5. 
   

   1. Kapıyı Unut

   2. Giriş Kapısı

   3. Çıkış Kapısı

1. LSTM kullanarak metin oluşturma.

Kaynak