DOI: https://doi.org/10.36719/2789-6919/32/197-202

Ziya Mustafayev

Azərbaycan Dövlət Neft və Sənaye Universiteti

magistrant

[email protected]



DATA MİNİNGDƏ SÜNİ NEYRON ŞƏBƏKƏLƏRİNDƏN İSTİFADƏNİN 

YENİLİKLƏRİ


Xülasə

Süni Neyron Şəbəkələri (Artificial Neural Networks) böyük verilənlər bazasında mürəkkəb nümunələri və əlaqələri öyrənmək qabiliyyətinə görə data miningdə geniş istifadə edilmişdir. Data mining-də ANN-lərin istifadəsində bir sıra yeniliklər olmuşdur. Əvvəlcə təsvirin tanınması üçün nəzərdə tutulmuş konvolutional neyron şəbəkələri (Convolutional Neural Networks) təbii dilin işlənməsi və zaman sıralarının təhlili kimi müxtəlif sahələrdə tətbiqlər tapmışdır. Onlar verilənlərdəki məkanları və müvəqqəti nümunələrin təyinində effektiv rol oynayır.

Dərin öyrənmə arxitekturaları data miningə tətbiq edilən süni neyron şəbəkələri (ANN) sahəsində əhəmiyyətli yeniliyə malik oldular. Bu irəliləyişlər mürəkkəb nümunələri idarə etmək və böyük məlumat dəstlərindən qiymətli fikirlər çıxarmaq üçün daha güclü, səmərəli və dəqiq modellərə gətirib çıxardı. CNN-lər image miningdən istifadə edirlər. Bu arxitekturalar vizual xüsusiyyətlərin ierarxik təsvirlərini avtomatik öyrənmək üçün xüsusi konvolyusiya qatlarından istifadə edir. 

Yeniliklərə dərin öyrənmə arxitekturaları (məsələn, ResNet, DenseNet) və müvafiq görüntülərə fokuslanan diqqət mexanizmləri daxildir. Təkrarlanan Neyron Şəbəkələri (Recurrent Neural Networks) və Uzun- Qısamüddətli Yaddaş (Long Short Term Memory) şəbəkələri zaman sıralarının təhlili, təbii dil emalı (Natural Language Processing) və nitqin tanınması kimi tətbiqlər üçün ardıcıl məlumatların idarə edilməsində əsas rol oynamışdır. Yeniliklərə uzunmüddətli asılılıqların modelləşdirilməsini təkmilləşdirmək üçün iki istiqamətli RNN, diqqət mexanizmləri və keçidli təkrarlanan vahidlər (Gates Recurrent Units) daxildir.

Açar sözlər: Süni Neyron Şəbəkələri, data mining, Təbii Dil Emalı, avtokodlayıcılar, Konvolutional Neyron Şəbəkələri, uzun-qısa müddətli yaddaş, şəkil mining


Ziya Mustafayev

Azerbaijan State Oil and Industry University

master student

[email protected]


Innovation in the use of artificial neural network in data mining 


Abstract

Artificial Neural Networks (ANNs) have been widely used in data mining for their ability to learn complex patterns and relationships within large datasets. There have been several innovations in the use of ANNs in data mining. Originally designed for image recognition, convolutional neural networks (CNNs) have found applications in various domains such as natural language processing and time-series analysis. They are effective in capturing spatial and temporal patterns in data. 

Deep learning architectures have witnessed significant innovation in the realm of artificial neural networks (ANNs) applied to data mining. These advancements have led to more powerful, efficient, and accurate models for handling complex patterns and extracting valuable insights from large datasets. CNNs use image mining tasks. These architectures leverage specialized convolutional layers to automatically learn hierarchical representations of visual features.

Innovations include deeper architectures (e.g., ResNet, DenseNet) and attention mechanisms that focus on relevant image regions. Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) networks have been pivotal in handling sequential data for applications like time-series analysis, natural language processing (NLP), and speech recognition. Innovations include bidirectional RNNs, attention mechanisms, and gated recurrent units (GRUs) to improve the modeling of long-range dependencies.

Keywords: Artificial Neural Networks, data mining, Natural Language Processing, autoencoders, Convolutional Neural Networks, long-short term memory, image mining

MƏQALƏNİ YÜKLƏ [494,58 Kb] (yüklənib: 17)

Baxış: 44
Ünvan:
AZ1073. Bakı ş., Yasamal r-nu,
Mətbuat pr., 529-cu məhəllə
“Azərbaycan” nəşriyyatı, 6-cı mərtəbə
Tel.:    +994 12 510 63 99
Mob.: +994 50 209 59 68
           +994 55 209 59 68
© 2019 AEM
E-mail:
[email protected], [email protected]