Słownik pojęć

Głębokie sieci przekonań (DBN)

Czym jest Głębokie sieci przekonań (DBN)?

Głębokie sieci przekonań (DBN) to sieci neuronowe złożone z kilku ułożonych warstw, które są najpierw wstępnie trenowane warstwa po warstwie bez nadzoru, zwykle jako tak zwane ograniczone maszyny Boltzmanna. Geoffrey Hinton i współpracownicy przedstawili tę metodę w 2006 roku; pokazała ona, że głębokie sieci można trenować wydajnie, i tym samym przyczyniła się do rozwoju uczenia głębokiego. W praktyce DBN zostały od tamtej pory w dużej mierze zastąpione innymi architekturami.

Tematy

sieci neuronowe
deep learning
historia AI

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Deep learning

Uczenie głębokie (deep learning) to gałąź uczenia maszynowego, która wykorzystuje sztuczne sieci neuronowe o wielu warstwach. Takie sieci uczą się z dużych ilości danych, które cechy mają znaczenie – od krawędzi na obrazach po relacje znaczeniowe w tekstach. Uczenie głębokie leży u podstaw dzisiejszych modeli językowych, rozpoznawania obrazów i mowy oraz tłumaczenia maszynowego i zazwyczaj wymaga znacznej mocy obliczeniowej oraz dużej ilości danych treningowych.

sieci neuronowe
uczenie maszynowe
+1

Sztuczne sieci neuronowe (ANN)

Sztuczne sieci neuronowe (ANN) to modele obliczeniowe złożone z wielu połączonych jednostek („neuronów”) ułożonych w warstwy, które przetwarzają dane wejściowe przez ważone połączenia. Podczas trenowania wagi są stopniowo dostosowywane na podstawie przykładów, zwykle metodą propagacji wstecznej. ANN są podstawą uczenia głębokiego i napędzają rozpoznawanie obrazów, rozpoznawanie mowy oraz duże modele językowe. Mimo biologicznej inspiracji działają znacznie prościej niż ludzki mózg.

Deep learning
podstawy AI
+1

Uczenie nienadzorowane

W uczeniu nienadzorowanym model otrzymuje dane bez z góry zdefiniowanych poprawnych odpowiedzi i samodzielnie szuka struktur. Typowe metody to klasteryzacja, która grupuje podobne rekordy, oraz redukcja wymiarowości, która zagęszcza wiele cech do kilku zasadniczych. Organizacje stosują je do odkrywania segmentów klientów lub wykrywania nietypowych transakcji; znalezione grupy muszą następnie zinterpretować eksperci dziedzinowi.

Uczenie maszynowe
Clustering
+1