Sanasto

Deep belief -verkot (DBN)

Mikä on Deep belief -verkot (DBN)?

Deep belief -verkot (DBN) ovat useista päällekkäisistä kerroksista koostuvia neuroverkkoja, jotka esikoulutetaan ensin kerros kerrokselta ilman ohjausta, yleensä niin sanottuina rajoitettuina Boltzmannin koneina. Geoffrey Hinton ja hänen kollegansa esittelivät menetelmän vuonna 2006; se osoitti, että syviä verkkoja voidaan kouluttaa tehokkaasti, ja edisti siten syväoppimisen nousua. Käytännössä muut arkkitehtuurit ovat sittemmin syrjäyttäneet DBN-verkot pitkälti.

Aiheet

neuroverkot
syväoppiminen
tekoälyn historia

Kokeile KI.ordoa

Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.

Aloita demo

← Kaikki termit

Liittyvät termit

Syväoppiminen

Syväoppiminen on koneoppimisen haara, joka käyttää tekoälyn keinotekoisia neuroverkkoja, joissa on monta kerrosta. Tällaiset verkot oppivat suurista datamääristä, mitkä piirteet ovat tärkeitä – kuvien reunoista tekstien merkityssuhteisiin. Syväoppiminen on nykyisten kielimallien, kuvan- ja puheentunnistuksen sekä konekäännöksen perusta, ja se vaatii yleensä paljon laskentatehoa ja koulutusdataa.

neuroverkot
koneoppiminen
+1

Keinotekoiset neuroverkot (ANN)

Keinotekoiset neuroverkot (ANN) ovat laskennallisia malleja, jotka koostuvat monista kerroksittain järjestetyistä, toisiinsa kytketyistä yksiköistä (”neuroneista”) ja käsittelevät syötteitä painotettujen yhteyksien kautta. Koulutuksen aikana painoja säädetään askel askeleelta esimerkkien avulla, yleensä takaisinkytkennällä (backpropagation). ANN-verkot ovat syväoppimisen perusta, ja ne ovat kuvantunnistuksen, puheentunnistuksen ja suurten kielimallien taustalla. Biologisesta esikuvastaan huolimatta ne toimivat paljon yksinkertaisemmin kuin ihmisaivot.

Syväoppiminen
tekoälyn perusteet
+1

Ohjaamaton oppiminen

Ohjaamattomassa oppimisessa malli saa dataa ilman ennalta määriteltyjä oikeita vastauksia ja etsii rakenteita itse. Tyypillisiä menetelmiä ovat klusterointi, joka ryhmittelee samankaltaisia tietueita, ja ulottuvuuksien vähentäminen, joka tiivistää monta piirrettä muutamaksi olennaiseksi. Organisaatiot käyttävät sitä asiakassegmenttien löytämiseen tai epätavallisten tapahtumien havaitsemiseen; löydetyt ryhmät on sen jälkeen annettava alan asiantuntijoiden tulkittaviksi.

Koneoppiminen
Clustering
+1