ScholarGate
Pembantu
Machine learningDeep learning / NLP / CV

Jaringan Saraf Berulang

Jaringan Saraf Berulang (RNN) ialah kelas jaringan saraf yang direka untuk memproses data berjujukan dengan mengekalkan keadaan tersembunyi yang membawa maklumat merentasi langkah masa. Diperkenalkan dalam bentuk modennya oleh Rumelhart et al. (1986) dan dibentuk selanjutnya oleh Elman (1990), RNN menjadi seni bina dominan untuk pemodelan jujukan dalam Pemprosesan Bahasa Semula Jadi (NLP), pertuturan, dan analisis siri masa sebelum kemunculan model berasaskan perhatian.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

+15 more

Sumber

  1. Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. DOI: 10.1207/s15516709cog1402_1
  2. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. DOI: 10.1038/323533a0

Cara memetik halaman ini

ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/ms/deep-learning/recurrent-neural-network

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Dirujuk oleh

ScholarGateRecurrent Neural Network (Recurrent Neural Network (RNN)). Dicapai 2026-06-15 daripada https://scholargate.app/ms/deep-learning/recurrent-neural-network · Set data: https://doi.org/10.5281/zenodo.20539026