Mavzu: noaniqliklarni taqdim etish uchun shartli ehtimollik afzallik va kamchiliklari

Amaliy qarama-qarshi misollar
SNT tomonidan oʻrganilgan narsalarni tahlil qilish biologik neyron tarmoq tomonidan oʻrganilgan narsalarni tahlil qilishdan koʻra osonroqdir. Bundan tashqari, neyron tarmoqlar uchun oʻrganish algoritmlarini oʻrganish bilan shugʻullanadigan tadqiqotchilar asta-sekin oʻquv mashinasining muvaffaqiyatli boʻlishiga imkon beruvchi umumiy tamoyillarni ochib berishadi. Misol uchun, mahalliy va mahalliy boʻlmagan oʻrganish va sayoz va chuqur arxitektura.
Gibrid yondashuvlar
Gibrid modellar tarafdorlari (neyron tarmoqlari va ramziy yondashuvlarni birlashtirgan holda) bunday aralash inson ongining mexanizmlarini yaxshiroq qamrab olishini daʼvo qilmoqda.


4. Nutqni tanib olish masalalarida neyron tarmoq modellari va algoritmlari

Nutqni aniqlash - Speech recognition

Insonning lingvistik kontseptsiyasi uchun qarang Nutqni idrok etish.
"Nutqdan matngacha" bu erga yo'naltiriladi. Inson roli uchun qarang Matndan-matngacha muxbir.Nutqni aniqlash bu fanlararo subfild Kompyuter fanlari va hisoblash lingvistikasi rivojlanadi metodologiyalar va tan olishga imkon beradigan texnologiyalar va tarjima og'zaki tilni kompyuterlar tomonidan matnga aylantirish. Bundan tashqari, sifatida tanilgan nutqni avtomatik aniqlash (ASR), kompyuter nutqini aniqlash yoki matnga nutq (STT). U bilim va tadqiqotlarni o'z ichiga oladi Kompyuter fanlari, tilshunoslik va kompyuter muhandisligi dalalar. Nutqni tanib olish uchun ba'zi tizimlar "ma'ruza" ni talab qiladi ("ro'yxatdan o'tish" deb ham nomlanadi), bu erda alohida ma'ruzachi matnni o'qiydi yoki izolyatsiya qilinadi lug'at tizimga. Tizim odamning o'ziga xos ovozini tahlil qiladi va uni o'sha odamning nutqini tanib olish uchun aniq sozlashda foydalanadi, natijada aniqlik oshadi. Treningdan foydalanmaydigan tizimlar "karnay mustaqil" deb nomlanadi  tizimlar. Treningdan foydalanadigan tizimlar "karnayga qaram" deb nomlanadi. Nutqni aniqlash dasturlariga quyidagilar kiradi ovozli foydalanuvchi interfeyslari masalan, ovozli terish (masalan, "uyga qo'ng'iroq qilish"), qo'ng'iroqlarni yo'naltirish (masalan, "men qo'ng'iroq qilmoqchiman"), domotik asboblarni boshqarish, kalit so'zlarni qidirish (masalan, ma'lum so'zlar aytilgan podkastni topish), oddiy ma'lumotlarni kiritish (masalan, kredit karta raqamini kiritish), tuzilgan hujjatlarni tayyorlash (masalan, radiologiya hisoboti), karnay xususiyatlarini aniqlash,^[2] nutqdan matnga ishlov berish (masalan, matn protsessorlari yoki elektron pochta xabarlari ) va samolyot (odatda nomlanadi to'g'ridan-to'g'ri ovozli kirish ).
Atama ovozni aniqlash  yoki karnay identifikatori gapirayotganlarni emas, balki ma'ruzachini aniqlashga ishora qiladi. Spikerni tanib olish ma'lum bir odamning ovozi bo'yicha o'qitilgan tizimlarda nutqni tarjima qilish vazifasini soddalashtirishi yoki xavfsizlik jarayonining bir qismi sifatida ma'ruzachi shaxsini tasdiqlash yoki tasdiqlash uchun ishlatilishi mumkin.
Texnologiya nuqtai nazaridan nutqni tanib olish katta yangiliklarning bir nechta to'lqinlari bilan uzoq tarixga ega. So'nggi paytlarda bu sohada erishilgan yutuqlardan foyda ko'rdi chuqur o'rganish va katta ma'lumotlar. Ushbu yutuqlar nafaqat sohada chop etilgan ilmiy ishlarning ko'payishi, balki eng muhimi, dunyo miqyosida sanoatning nutqni aniqlash tizimlarini loyihalash va joylashtirishda turli xil chuqur o'rganish usullarini o'zlashtirishi bilan tasdiqlanadi.
Nutqni tanib olishning uzoq tarixida sun'iy neyron tarmoqlarining sayoz shakli va chuqur shakli (masalan, takrorlanadigan to'rlar) ko'p yillar davomida 1980, 1990-yillarda va 2000-yillarda bir necha yil davomida o'rganilgan. Ammo bu usullar hech qachon bir xil bo'lmagan ichki qo'l ishlarida g'olib chiqmadi Gauss aralashmasi modeli /Yashirin Markov modeli (GMM-HMM) nutqning generativ modellari asosida diskriminativ ravishda o'qitilgan texnologiya. 1990 yillarda bir qator asosiy qiyinchiliklar metodologik tahlil qilingan, shu jumladan gradientning pasayishi va asabiy bashorat modellarida zaif vaqtinchalik korrelyatsiya tuzilishi. Ushbu qiyinchiliklarning barchasi dastlabki kunlarda katta o'quv ma'lumotlari va katta hisoblash quvvatlarining etishmasligidan tashqari edi. Bunday to'siqlarni tushungan nutqni aniqlash bo'yicha tadqiqotchilarning ko'pchiligi keyinchalik neyron tarmoqlardan uzoqlashib, generativ modellashtirish yondashuvlarini izlashdi va bu qiyinchiliklarni engib o'tgan 2009-2010 yillarda boshlangan chuqur o'rganishning yaqinda qayta tiklanishigacha. Xinton va boshq. va Deng va boshq. ularning bir-biri bilan, so'ngra to'rt guruhdagi (Toronto universiteti, Microsoft, Google va IBM) hamkasblari bilan o'zaro hamkorliklari nutqni tanib olish uchun chuqur neyron tarmoqlari dasturlarining qayta tiklanishini yoqib yuborganligi haqida ushbu so'nggi tarixning bir qismini ko'rib chiqdilar.