Glossarju

Deep belief networks (DBNs)

X'inhu Deep belief networks (DBNs)?

Id-deep belief networks (DBNs) huma netwerks newrali magħmula minn diversi saffi mqegħdin fuq xulxin li l-ewwel jitħarrġu minn qabel saff wara saff mingħajr superviżjoni, ġeneralment bħala l-hekk imsejħa restricted Boltzmann machines. Geoffrey Hinton u kollegi introduċew il-metodu fl-2006; wera li netwerks profondi setgħu jitħarrġu b'mod effiċjenti u b'hekk għen it-tkabbir tat-tagħlim profond. Fil-prattika, id-DBNs minn dakinhar ġeneralment ġew sostitwiti minn arkitetturi oħra.

Suġġetti

netwerks newrali
tagħlim profond
storja tal-IA

Ipprova KI.ordo

Aġenti, flussi tax-xogħol u mudelli fi spazju tax-xogħol wieħed – demo b'xejn għal 24 siegħa.

Ibda d-demo

← It-termini kollha

Termini relatati

Tagħlim profond

It-tagħlim profond (deep learning) huwa fergħa tat-tagħlim awtomatiku li juża netwerks newrali artifiċjali b'ħafna saffi. Netwerks bħal dawn jitgħallmu minn kwantitajiet kbar ta' data liema karatteristiċi huma importanti – minn truf f'immaġini sa relazzjonijiet ta' tifsira f'testi. It-tagħlim profond huwa l-bażi tal-mudelli lingwistiċi, tar-rikonoxximent tal-immaġini u tad-diskors u tat-traduzzjoni awtomatika tal-lum, u normalment jeħtieġ qawwa tal-komputazzjoni u data tat-taħriġ konsiderevoli.

netwerks newrali
tagħlim awtomatiku
+1

Netwerks newrali artifiċjali (ANNs)

In-netwerks newrali artifiċjali (ANNs) huma mudelli komputazzjonali magħmula minn ħafna unitajiet konnessi (“newroni”) irranġati f'saffi li jipproċessaw inputs permezz ta' konnessjonijiet ippiżati. Matul it-taħriġ, il-piżijiet jiġu aġġustati pass pass bl-użu ta' eżempji, ġeneralment permezz ta' backpropagation. L-ANNs huma l-pedament tat-tagħlim profond u jħaddmu r-rikonoxximent tal-immaġini, ir-rikonoxximent tad-diskors u mudelli lingwistiċi kbar. Minkejja l-ispirazzjoni bijoloġika tagħhom, jaħdmu b'mod ferm aktar sempliċi mill-moħħ tal-bniedem.

Tagħlim profond
Fundamenti tal-IA
+1

Tagħlim mhux superviżat

Fit-tagħlim mhux superviżat, mudell jirċievi data mingħajr tweġibiet korretti predefiniti u jfittex strutturi waħdu. Metodi tipiċi huma l-clustering, li jigruppa rekords simili, u t-tnaqqis tad-dimensjonijiet, li jikkondensa ħafna karatteristiċi f'ftit essenzjali. L-organizzazzjonijiet jużawh biex jiskopru segmenti ta' klijenti jew jidentifikaw tranżazzjonijiet mhux tas-soltu; il-gruppi misjuba jridu mbagħad jiġu interpretati minn esperti tad-dominju.

Tagħlim awtomatiku
Clustering
+1