Machine learning books and papers

Image-to-Image Translation شبکه های GANs به عنوان یک راه حل عمومی برای مشکلات ترجمه تصویر به تصویر به کاربرده می¬شوند. این شبکه ها نه تنها نقشه برداری از تصویر ورودی به تصویر خروجی را یاد می گیرند، بلکه یک تابع هزینه را برای آموزش این نقشه برداری یاد می گیرد. این باعث می شود که یک رویکرد عمومی را برای مسائلی که به طور سنتی نیاز به فرمولاسیون های مختلف داشته¬اند به کار ببریم. این روش در تلفیق عکس ها از نقشه های برچسب، بازسازی اشیاء از نقشه های لبه و رنگ آمیزی تصاویر در میان کارهای دیگر موثر است. علاوه بر این، از زمان انتشار نرم افزار pix2pix ، صدها نفر از کاربران توییتر، آزمایش های هنری خود را با استفاده از این سیستم انجام داده¬اند.

شبکه های مولدی ممیزی دنباله ای (Generative Adversarial Nets (GAN)) این الگوریتم از سیستم شبکه‌های عصبی مصنوعی بهره می‌گیرد. سیستم‌های شبکه‌های عصبی مصنوعی با تقلید از کارکرد نورون‌های مغز انسان ساخته شده‌اند. در الگوریتم GAN دو شبکه عصبی وجود دارد که "در برابر" (بر علیه) یکدیگر کار می‌کنند. یکی از این شبکه‌ها الگوریتمی است که محتوا می‌سازد و شبکه دوم آنچه ساخته شده است را به چالش می‌گیرد و نقش مخالف را بازی می‌کند. شبکه های GANs معماری خالصی از شبکه های عصبی عمیق هستند که از دو شبکه تشکیل شده اند.GANs در یک مقاله توسط آقای¬ Goodfellow و دیگر محققان در دانشگاه مونترال، از جمله Yoshua Bengio، در سال 2014 معرفی شد. Yann LeCun، مدیر تحقیقات آی.بی.سی فیس بوک، "آموزش رقابتی" را "جالب ترین ایده در 10 سال گذشته در یادگیری ماشین دانسته است. پتانسیل GAN بسیار زیاد است، زیرا آنها می¬توانند یادگیری هر نوع توزیع داده را تقلید کنند. به این معنا، GAN ها می توانند آموزش داده شوند تا جهان هایی را که در هر حوزه ای شبیه به خودمان هستند، ایجاد کنیم: تصاویر، موسیقی، سخنرانی، پروسه. آنها یک ربات هنرمند هستند، و خروجی آنها چشمگیر است.