Woordenlijst

Deep belief networks (DBN’s)

Wat is Deep belief networks (DBN’s)?

Deep belief networks (DBN’s) zijn neurale netwerken die uit meerdere op elkaar gestapelde lagen bestaan, die eerst laag voor laag zonder toezicht worden voorgetraind, meestal als zogeheten restricted Boltzmann machines. Geoffrey Hinton en collega’s introduceerden de methode in 2006; ze toonde aan dat diepe netwerken efficiënt konden worden getraind en droeg zo bij aan de opkomst van deep learning. In de praktijk zijn DBN’s inmiddels grotendeels vervangen door andere architecturen.

Onderwerpen

neurale netwerken
deep learning
geschiedenis van AI

KI.ordo uitproberen

Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.

Demo starten

← Alle begrippen

Verwante begrippen

Deep learning

Deep learning is een tak van machine learning die kunstmatige neurale netwerken met veel lagen gebruikt. Zulke netwerken leren uit grote hoeveelheden data welke kenmerken van belang zijn – van randen in beelden tot betekenisrelaties in teksten. Deep learning vormt de basis van de huidige taalmodellen, beeld- en spraakherkenning en machinevertaling en vergt doorgaans veel rekenkracht en trainingsdata.

neurale netwerken
machine learning
+1

Kunstmatige neurale netwerken (ANN’s)

Kunstmatige neurale netwerken (ANN’s) zijn rekenmodellen die bestaan uit veel verbonden eenheden (“neuronen”) die in lagen zijn geordend en invoer verwerken via gewogen verbindingen. Tijdens het trainen worden de gewichten stap voor stap aangepast aan de hand van voorbeelden, meestal via backpropagation. ANN’s vormen de basis van deep learning en drijven beeldherkenning, spraakherkenning en grote taalmodellen aan. Ondanks hun biologische inspiratie werken ze veel eenvoudiger dan het menselijk brein.

Deep learning
AI-basisbegrippen
+1

Niet-gesuperviseerd leren

Bij niet-gesuperviseerd leren krijgt een model gegevens zonder vooraf bepaalde juiste antwoorden en zoekt het zelf naar structuren. Typische methoden zijn clustering, dat vergelijkbare records groepeert, en dimensiereductie, die veel features terugbrengt tot een paar essentiële. Organisaties gebruiken het om klantsegmenten te ontdekken of ongebruikelijke transacties op te sporen; de gevonden groepen moeten daarna door vakexperts worden geïnterpreteerd.

Machine learning
Clustering
+1