یادگیری تابع درستنمایی پواسن با استفاده از شبکه های عصبی عمیق

برای تحلیل و مدلسازی هر داده ای ابزارهای متنوعی وجود دارد از جمله مدلهای رگرسیونی و مدل های بیزی و درخت های تصمیم و ... . یکی از به روزترین و دقیق ترین ابزار تحلیل داده ها استفاده از شبکه عصبی است. ما می توانیم شبکه عصبی را با توزیع های گسسته ای همچون پواسن ترکیب کنیم زیرا شبکه های عصبی به دلیل ساختار چندلایه ای خود قادر به یادگیری روابط غیرخطی میان ورودی ها و خروجی ها هستند. آنها می توانند حجم بالای داده ها را پردازش کرده و اطلاعات معنادار را استخراج کنند. شبکه های عصبی قادر به کار با انواع داده ها هستند. همچنین به طور موثری در وظایف پیش بینی و طبقه بندی داده ها مورد استفاده قرار می گیرند. به طور دقیق تر، در این طرح منفی تابع درستنمایی را به عنوان تابع زیان در شبکه عصبی پرسپترون چند لایه در نظر گرفته و در مرحله پس انتشار با استفاده از روش مشتقات نزولی، وزن های بهینه که همان پارامترهای تابع درستنمایی هستند را برآورد می کنیم.

کلیدواژه ها:

شبکه عصبی عمیق ، پرسپترون چند لایه ، تابع زیان ، پس انتشار ، توزیع های گسسته