Derin Öğrenme Modelleri

Derin öğrenme, yapar sinir ağları ve insan beyninin işlevlerini taklit eden hesaplama sistemleri kavramına denir. Derin öğrenmenin tarihi, Warren McCulloch ve Walter Pitts’in 1943 yılında düşünce sürecini taklit etmek için matematiğe ve sinir mantığı olarak adlandırılan algoritmalara dayalı sinir ağları için bir hesaplama modeli oluşturmalarına uzanmaktadır. Derin öğrenme bir makine öğrenmesi sınıfıdır.

Derin öğrenmede bir çok mimari yapı geliştirilmiştir. Bu geliştirilen mimariler günümüzde hala tartışılmaktadır. Bu yapılar sırasıyla;

Convolutional Neural Network (ConvNet yada CNN – Evrişimli Sinir Ağı yada Konvolüsyonel Sinir Ağları)
Recurrent Neural Network (RNN – Tekrarlayan Sinir Ağları)
Long – Short Term Memory (LSTM – Uzun-Kısa Vadeli Hafıza Ağları – Uzun Kısa Dönemli Bellek)
Restricted Boltzmann Machines (BM – RMB – Sınırlı Boltzman Makineleri)
Deep Belief Networks (DBN – Derin İnanç Ağları)
Denoising Autoencoders veya Autoencoders (DAE – AE – Derin Oto Kodlayıcılar)
Markov Chain (MC – Markov Zinciri)
Hopfield Network (HN – Hopfield Ağ Modeli)
Generative Adversarial Networks (GAN – Çekişmeli Üretici Ağlar)
Liquid State Machine (LSM – Sıvı Hal Makinesi)
Extreme Learning Machines (ELM – Aşırı Öğrenme Makineleri)
Echo State Networks (ESN – Yankı Durumu Ağları)
Deep Residual Networks (DRN – Derin Kalıntı Ağlar)
Differentiable Neural Computers (DNC – Farklılaşabilir Sinirsel Bilgisayar)
Neural Turing Machines (NTM – Nöral Turing Makinesi)
Kohonen Network (KN – Kohonen Ağı)
Attention Network (AN – Dikkat Ağı)
Capsule Network (CN – Kapsül Ağı)
Support Vector Machine (SVN – Destek Vektör Makinesi)