Search results

...نوان مشکل «ناپدید شدن گرادیان» (Vanishing Gradient Problem) شناخته می‌شود. LSTMها برای حل این مشکل طراحی شده‌اند و به طور برای درک اهمیت LSTMها، ابتدا باید مشکل ناپدید شدن گرادیان را ...

=== LSTM در پیش‌بینی قیمت === ...یری عمیق]]، شبکه‌های عصبی بازگشتی (RNN) و به ویژه نوع خاصی از آن‌ها به نام LSTM (Long Short-Term Memory) به ابزاری قدرتمند برای پیش� ...

...تی که برای حل مشکل محو شدن گرادیان در شبکه‌های RNN طراحی شده‌اند. شبکه‌های LSTM می‌توانند وابستگی‌های بلندمدت در داده‌ * **پیش‌بینی قیمت با LSTM:** استفاده از شبکه‌های LSTM برای پیش‌بینی قیمت‌های آتی بر اساس داده� ...

...سری زمانی مانند قیمت سهام بسیار مناسب می‌کند. [[شبکه‌های حافظه بلندمدت]] (LSTM) و [[شبکه‌های گیت بازگشتی]] (GRU) از انواع را� ...ژی معاملاتی بر اساس LSTM برای پیش‌بینی قیمت بیت‌کوین:** استفاده از یک شبکه LSTM برای پیش‌بینی قیمت بیت‌کوین و تولید سیگ� ...

...Long Short-Term Memory) برای پیش‌بینی قیمت سهام بر اساس داده‌های تاریخی. [[LSTM در پیش‌بینی سهام]] ...

...ر سری زمانی را فراهم می‌کند. [[گرادیان]] و [[بهینه‌سازی]] مفاهیم مرتبط با LSTM هستند. ...احد تکرارشونده دروازه‌دار (Gated Recurrent Unit - GRU):''' نوع ساده‌تری از LSTM که عملکرد مشابهی دارد اما پارامترهای کمت� ...

...دهه 2010، با معرفی انواع جدیدی از RNNها مانند [[شبکه‌های حافظه بلندمدت]] (LSTM) و [[واحد‌های تکرارشونده دروازه‌دار]] (GRU)� ...اده از "دروازه‌ها" (gates) مشکل محوشدگی گرادیان را تا حد زیادی حل می‌کنند. LSTMها به خوبی می‌توانند اطلاعات را در طول زم� ...

...پیشرفته‌تر از RNN است که برای غلبه بر مشکل محو شدن گرادیان طراحی شده است. LSTMها از سلول‌های حافظه و گیت‌های مختلف برا� ...بازگشتی گیت‌دار (GRU):** [[GRU]] (Gated Recurrent Unit) یک نوع ساده‌تر از LSTM است که عملکرد مشابهی را ارائه می‌دهد اما ...

...ه می‌کند. این رویکرد معمولاً از یک مدل [[شبکه عصبی بازگشتی]] (RNN) مانند [[LSTM]] یا [[GRU]] به همراه یک مکانیسم توجه استفاده * **مدل‌های مبتنی بر LSTM با توجه:** این مدل‌ها از شبکه‌های LSTM برای پردازش متن و مکانیسم‌های توجه برای � ...

...RNN که برای حل مشکل محوشدگی گرادیان در سری‌های زمانی طولانی کاربرد دارد. [[LSTM]] [[Category:LSTM]] ...

...ه آن‌ها اجازه می‌دهد تا اطلاعات را برای مدت طولانی‌تری در خود نگه دارند. [[LSTM]] به طور گسترده‌ای در کاربردهایی مانند پر ...که مشابه LSTMها هستند، اما ساختار ساده‌تری دارند. آن‌ها معمولاً سریع‌تر از LSTMها آموزش داده می‌شوند و در بسیاری از کارب� ...

...ا از یک مکانیسم دروازه برای کنترل جریان اطلاعات در شبکه استفاده می‌کنند. [[LSTM]] به طور گسترده در کاربردهایی مانند [[تشخی� ...ن نوع RNN نیز برای حل مشکل محوشدگی گرادیان طراحی شده است. آن‌ها ساده‌تر از LSTMها هستند و عملکرد مشابهی دارند. [[GRU]] در کار ...

...یل سری‌های زمانی مانند قیمت سهام بسیار مفید است. [[شبکه‌های حافظه بلندمدت (LSTM)]] و [[شبکه‌های گیت‌دار بازگشتی (GRU)]] زیرمج ...''انتخاب معماری شبکه عصبی:''' انتخاب نوع شبکه عصبی مناسب (مانند [[RNN]], [[LSTM]], [[CNN]]). ...

...ای حجم معاملات را شناسایی کنند و پیش‌بینی‌های دقیقی ارائه دهند. [[شبکه‌های LSTM]] به دلیل توانایی در پردازش داده‌های سری � [[شبکه‌های LSTM]] ...

* **شبکه‌های عصبی حافظه‌دار بلندمدت (LSTM):** [[شبکه‌های LSTM]]، نوعی از شبکه‌های RNN هستند که مشکل محو ش� ...

...د قیمت‌ها مناسب هستند. انواع خاصی از RNN مانند [[شبکه‌های حافظه بلندمدت]] (LSTM) و [[واحد‌های تکرارشونده گیت‌دار]] (GRU) می� * **مثال:** استفاده از LSTM برای پیش‌بینی قیمت سهام بر اساس داده‌ها� ...

...عمیق که برای تحلیل و پیش‌بینی سری‌های زمانی بسیار مؤثر هستند. '''شبکه‌های LSTM''' (Long Short-Term Memory) به ویژه برای سری‌های زمان ...

...سب هستند و می‌توانند وابستگی‌های بلندمدت را به خوبی یاد بگیرند. [[شبکه‌های LSTM]] (Long Short-Term Memory Networks) و [[شبکه‌های GRU]] (Gated Rec [[LSTM]] ...

...ng Sentiment Analysis)''': این روش از شبکه‌های عصبی عمیق مانند [[RNN]] و [[LSTM]] برای یادگیری الگوهای پیچیده در متن و شنا [[LSTM]] ...

...LSTMs می‌توانند وابستگی‌های طولانی‌مدت را در داده‌های ترتیبی یاد بگیرند. [[LSTM]] در [[پیش‌بینی سری‌های زمانی]]، [[تشخیص نا *'''تحلیل سری‌های زمانی مالی (Financial Time Series Analysis)''' : [[LSTM]] و سایر شبکه‌های عصبی بازگشتی برای تحلیل ...