どのような種類のニューラルネットワークが使用されていますか？

次のニューラルネットワークのチートシート（AI、ニューラルネットワーク、機械学習、ディープラーニング、ビッグデータのチートシート）を見つけました。

これらのさまざまな種類のニューラルネットワークは何に使用されますか？たとえば、回帰や分類に使用できるニューラルネットワーク、シーケンスの生成などに使用できるニューラルネットワークはどれですか。アプリケーションの概要（1〜2行）が必要です。

これは広すぎることに同意しますが、それらのほとんどに対する1文の回答があります。私が（チャートの下から）省略したものは非常にモダンで、非常に専門的です。私はそれらについてあまり知らないので、おそらくこの答えを改善できる人がいるでしょう。

• パーセプトロン：線形またはロジスティックのような回帰（したがって、分類）。
• フィードフォワード：通常、S字型のアクティブ化を伴う非線形回帰または分類。本質的には多層パーセプトロン。
• 放射状基底ネットワーク：放射状基底活性化機能を備えたフィードフォワードネットワーク。分類およびいくつかの種類のビデオ/オーディオフィルタリングに使用
• ディープフィードフォワード：複数の非表示レイヤーを持つフィードフォワード。分類または回帰のより複雑なパターン、おそらく強化学習を学習するために使用されます。

• リカレントニューラルネットワーク：一部のノードが過去のレイヤーに接続するディープフィードフォワードネットワーク。強化学習で使用され、テキストやオーディオなどのシーケンシャルデータのパターンを学習します。
• LSTM：信号を長期間記憶したり、選択的に忘れたりできる特殊な制御ニューロン（ゲートと呼ばれることもある）を備えたリカレントニューラルネットワーク。任意のRNNアプリケーションで使用され、繰り返し時間が非常に長いシーケンスを学習できることがよくあります。
• GRU：LSTMのように、特殊な制御ニューロンを備えた別の種類のゲート付きRNN。

• Auto Encoder：データを圧縮してから解凍する方法を学びます。このモデルを学習した後、2つの有用なサブパートに分割できます。入力空間から低次元の特徴空間へのマッピングで、解釈や理解が容易になる場合があります。そして、単純な数値の小さな次元の部分空間から複雑なパターンへのマッピング。これを使用して、これらの複雑なパターンを生成できます。ビジョン、言語、およびオーディオ処理における多くの現代的な仕事の基礎。
• VAE、DAE、SAE：自動エンコーダの専門分野。

• マルコフ連鎖：マルコフ連鎖のニューラルネットワーク表現：状態はアクティブなニューロンのセットでエンコードされ、遷移確率は重みによって定義されます。遷移確率の学習と他のアプリケーションの教師なし機能学習に使用されます。
• HN、BM、RBM、DBM：マルコフ連鎖のアイデアに基づく特殊なアーキテクチャー。他のアプリケーションの便利な機能を自動的に学習するために使用されます。

• ディープたたみ込みネットワーク：フィードフォワードネットワークのようですが、各ノードは実際には、その前のレイヤーからたたみ込みを学習するノードのバンクです。これにより、フィルター、エッジ検出器、およびビデオとオーディオの処理に関連するその他のパタ​​ーンを学習できます。

• ディープデコンボリューショナルネットワーク：ある意味でコンボリューショナルネットワークの反対。ピクセル空間に戻って、見えない画像のエッジまたは他の高レベルのプロパティを表す特徴からのマッピングを学びます。概要から画像を生成します。

• DCIGN：基本的に、DCNとDNを組み合わせたオートエンコーダ。顔などの複雑な画像の生成モデルを学習するために使用されます。

• Generative Adversarial Network：DCIGNに十分なトレーニングデータがない場合に、複雑な画像（または他のデータタイプ）の生成モデルを学習するために使用されます。1つのモデルはランダムノイズからデータを生成することを学習し、もう1つのモデルは最初のネットワークの出力を、利用可能なトレーニングデータとは異なるものとして分類することを学習します。