Innovatsiyalar vazirligi mirzo ulugʻbek nomidagi oʻzbekiston milliy universitetining jizzax

Nutqni avtomatik aniqlash
Katta hajmdagi avtomatik nutqni aniqlash chuqur o‘rganishning birinchi va eng ishonchli muvaffaqiyatli holatidir. LSTM RNNlar minglab diskret vaqt qadamlari bilan ajratilgan nutq hodisalarini o‘z ichiga olgan ko‘p soniyali intervallarni o‘z ichiga olgan "Juda chuqur o‘rganish" vazifalarini.Unutish shlyuzlari bilan LSTM ma’lum vazifalarda an’anaviy nutqni taniyuvchilar bilan raqobatbardoshdir.
Nutqni aniqlashdagi dastlabki muvaffaqiyat TIMIT asosidagi kichik hajmdagi tanib olish vazifalariga asoslangan edi. Ma’lumotlar to‘plami Amerika ingliz tilining sakkizta asosiy dialektlaridan 630 ta ma’ruzachilarni o‘z ichiga oladi , bu erda har bir ma’ruzachi 10 ta jumlani o‘qiydi. Uning kichik oʻlchami koʻplab konfiguratsiyalarni sinab koʻrish imkonini beradi. Eng muhimi, TIMIT vazifasi telefon ketma-ketligini aniqlash bilan bog'liq bo‘lib, so‘z ketma-ketligini aniqlashdan farqli o‘laroq, telefonning bigram tilining zaif modellariga imkon beradi. Bu nutqni aniqlashning akustik modellashtirish aspektlarining kuchini osonroq tahlil qilish imkonini beradi. Quyida sanab o‘tilgan xatolik stavkalari, shu jumladan, ushbu dastlabki natijalar va telefon xatolik darajasi (PER) sifatida 1991 yildan beri umumlashtirilgan.
1990-yillarning oxirida ma’ruzachilarni tanib olish uchun DNN debyuti va 2009-2011 yillarda nutqni aniqlash va 2003-2007 yillarda LSTM sakkizta asosiy yo‘nalishdagi taraqqiyotni tezlashtirdi: Masshtabni kengaytirish/kengaytirish va tezlashtirilgan DNN o‘qitish va dekodlash Ketma-ket diskriminativ trening Asosiy mexanizmlarni yaxshi tushungan holda chuqur modellar orqali xususiyatlarni qayta ishlash DNN va tegishli chuqur mod ellarni moslashtirish DNN va tegishli chuqur modellar tomonidan ko‘p vazifali va uzatish o‘rganish CNN va ularni nutq sohasidagi bilimlardan eng yaxshi foydalanish uchun qanday loyihalash RNN va uning boy LSTM variantlari Boshqa turdagi chuqur modellar, shu jumladan tensorga asoslangan odellar va integratsiyalashgan chuqur generativ/diskriminativ modellar.