Речник

Дълбоки мрежи на вярванията (DBN)

Какво е Дълбоки мрежи на вярванията (DBN)?

Дълбоките мрежи на вярванията (Deep belief networks, DBN) са невронни мрежи от няколко наслоени слоя, които първо се обучават предварително слой по слой без надзор, обикновено като така наречените ограничени машини на Болцман. Джефри Хинтън и колеги представят метода през 2006 г.; той показва, че дълбоките мрежи могат да се обучават ефективно, и така допринася за възхода на дълбокото обучение. На практика DBN междувременно са до голяма степен заменени от други архитектури.

Теми

невронни мрежи
дълбоко обучение
история на ИИ

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Дълбоко обучение

Дълбокото обучение е дял от машинното обучение, който използва изкуствени невронни мрежи с много слоеве. Такива мрежи се учат от големи количества данни кои характеристики са важни – от ръбове в изображенията до смислови връзки в текстовете. Дълбокото обучение е в основата на съвременните езикови модели, на разпознаването на образи и реч и на машинния превод и обикновено изисква значителна изчислителна мощност и много обучителни данни.

невронни мрежи
машинно обучение
+1

Изкуствени невронни мрежи (ANN)

Изкуствените невронни мрежи (artificial neural networks, ANN) са изчислителни модели, съставени от много свързани единици („неврони“), разположени на слоеве, които обработват входните данни чрез претеглени връзки. По време на обучението теглата се коригират стъпка по стъпка с помощта на примери, обикновено чрез обратно разпространение на грешката. ANN са основата на дълбокото обучение и задвижват разпознаването на образи, разпознаването на реч и големите езикови модели. Въпреки биологичното вдъхновение те работят много по-просто от човешкия мозък.

Дълбоко обучение
основи на ИИ
+1

Неконтролирано обучение

При неконтролираното обучение моделът получава данни без предварително зададени правилни отговори и сам търси структури. Типични методи са клъстеризацията, която групира сходни записи, и намаляването на размерността, което свива много признаци до няколко същностни. Организациите го използват за откриване на клиентски сегменти или за забелязване на необичайни транзакции; намерените групи трябва след това да бъдат интерпретирани от експерти в областта.

Машинно обучение
Clustering
+1