Um mehrere Ausgaben zu erzeugen

Um binäre Entscheidungen zu treffen

Zur Verarbeitung analoger Daten

Um kontinuierliche Ausgaben zu erzeugen

It requires extensive data for every new task

It focuses exclusively on image recognition

It aims to make predictions with little to no training data for new tasks

It is used only for supervised learning

Modelle, die nach dem Einsatz nicht mehr neu trainiert werden können.

Für spezifische Aufgaben trainierte Kleinmodelle

Modelle, die speziell für ein Domäne entwickelt wurden

Groß Modelle des maschinellen Lernens, die mit riesigen Datenmengen trainiert wurden

LSTMs werden nur für Reinforcement Learning verwendet.

RNNs werden für die Bildverarbeitung verwendet, während LSTMs für die Textverarbeitung eingesetzt werden.

LSTMs verfügen über eine größere Speicherspanne und sind leistungsfähiger als RNNs.

RNNs haben im Vergleich zu LSTMs eine längere Speicherspanne.

Um Eingaben in mehrere Kategorien einzuordnen

Zur Verarbeitung sequenzieller Dateneingaben

Eine Reihe binärer Eingaben entgegennehmen und eine binäre Ausgabe erzeugen

Um unüberwachtes Lernen durchzuführen

Die anfängliche Lernrate des Modells

Die Anzahl der Durchläufe des Lernalgorithmus durch den gesamten Trainingsdatensatz

Die Anzahl der verborgenen Knoten im Netzwerk

Die Anzahl der Schichten im neuronalen Netzwerk