Radial Basis Function Network (RBF)

Rrjete neurale qe perdor funksione radiale, zakonisht Gaussian, ne shtresen e fshehur.

Shtresat e RBF Network

Perbehet nga Input Layer, Hidden Layer me neurone radiale dhe Output Layer.

Input Layer ne RBF

Merr te dhenat hyrëse dhe i dergon ato drejt shtreses se fshehur.

Hidden Layer ne RBF

Perdor neurone me funksione radiale per te matur afersine e hyrjes me qendra te caktuara.

Output Layer ne RBF

Perdor rezultatet e shtreses se fshehur per te prodhuar daljen finale.

Gaussian Function

Funksion qe jep vlere me te madhe kur hyrja eshte afer qendres dhe vlere me te vogel kur largohet prej saj.

Dallimi mes SVM dhe RBF Network

Njera kerkon nje kufi optimal ndarjeje mes klasave, ndersa tjetra eshte rrjete neurale me funksione radiale ne shtresen e fshehur.

Machine Learning (ML)

Modeli meson nga te dhenat, por karakteristikat zakonisht duhet te percaktohen ose nxirren paraprakisht.

Deep Learning (DL)

Modeli perdor shume shtresa dhe mund te mesoje automatikisht karakteristikat direkt nga raw data.

Dallimi kryesor mes Machine Learning dhe Deep Learning

Te parat shpesh kerkojne feature extraction manual, ndersa modelet me shume shtresa mund t'i mesojne karakteristikat automatikisht.

Feature Extraction

Procesi i nxjerrjes se karakteristikave te rendesishme nga te dhenat.

Feature Extraction ne Machine Learning

Karakteristikat zakonisht percaktohen ose nxirren nga njeriu para trajnimit te modelit.

Feature Extraction ne Deep Learning

Karakteristikat mesohen automatikisht nga modeli gjate trajnimit.

Raw Data

Te dhena origjinale qe nuk jane transformuar paraprakisht ne karakteristika specifike.

Pse Deep Learning kerkon me shume te dhena?

Sepse ka shume parametra dhe shtresa qe duhet te mesohen gjate trajnimit.

Zbatimet kryesore te Deep Learning

Perdoret sidomos ne probleme komplekse si perpunimi i imazheve dhe sinjaleve te zerit.