| http://dbpedia.org/ontology/abstract
|
Автокодировщик (англ. autoencoder, также — … Автокодировщик (англ. autoencoder, также — автоассоциатор) — специальная архитектура искусственных нейронных сетей, позволяющая применять обучение без учителя при использовании метода обратного распространения ошибки. Простейшая архитектура автокодировщика — сеть прямого распространения, без обратных связей, наиболее схожая с перцептроном и содержащая входной слой, промежуточный слой и выходной слой. В отличие от перцептрона, выходной слой автокодировщика должен содержать столько же нейронов, сколько и входной слой. Основной принцип работы и обучения сети автокодировщика — получить на выходном слое отклик, наиболее близкий к входному. Чтобы решение не оказалось тривиальным, на промежуточный слой автокодировщика накладывают ограничения: промежуточный слой должен быть или меньшей размерности, чем входной и выходной слои, или искусственно ограничивается количество одновременно активных нейронов промежуточного слоя — разрежённая активация. Эти ограничения заставляют нейросеть искать обобщения и корреляцию в поступающих на вход данных, выполнять их сжатие. Таким образом, нейросеть автоматически обучается выделять из входных данных общие признаки, которые кодируются в значениях весов искусственной нейронной сети. Так, при обучении сети на наборе различных входных изображений, нейросеть может самостоятельно обучиться распознавать линии и полосы под различными углами. Чаще всего автокодировщики применяют каскадно для обучения глубоких (многослойных) сетей. Автокодировщики применяют для предварительного обучения глубокой сети без учителя. Для этого слои обучаются друг за другом, начиная с первых. К каждому новому необученному слою на время обучения подключается дополнительный выходной слой, дополняющий сеть до архитектуры автокодировщика, после чего на вход сети подается набор данных для обучения. Веса необученного слоя и дополнительного слоя автокодировщика обучаются при помощи метода обратного распространения ошибки. Затем слой автокодировщика отключается и создается новый, соответствующий следующему необученному слою сети. На вход сети снова подается тот же набор данных, обученные первые слои сети остаются без изменений и работают в качестве входных для очередного обучаемого автокодировщика слоя. Так обучение продолжается для всех слоев сети за исключением последних. Последние слои сети обычно обучаются без использования автокодировщика при помощи того же метода обратного распространения ошибки и на маркированных данных (обучение с учителем).аркированных данных (обучение с учителем).
, Un autocodificatore o autoencoder è un tip … Un autocodificatore o autoencoder è un tipo di rete neurale artificiale utilizzato per apprendere codifiche efficienti di dati non etichettati, rientrando quindi nel campo dell'apprendimento non supervisionato. La codifica viene convalidata e perfezionata tentando di ricostruire l'input dalla codifica. L'autocodificatore apprende una rappresentazione (codifica) di un insieme di dati, tipicamente per la riduzione della dimensionalità, addestrando la rete a ignorare i dati insignificanti ("rumore"). Esistono varianti che mirano a vincolare le rappresentazioni apprese ad assumere proprietà utili. Esempi sono gli autoencoder regolarizzati (Sparse, Denoising e Contractive), che sono efficaci nell'apprendimento delle rappresentazioni che verranno usate in una successiva classificazione, e gli autoencoder variazionali, impiegati come modelli generativi. Gli autoencoder vengono applicati a molti problemi, tra cui il riconoscimento facciale, il rilevamento di caratteristiche e di anomali e la comprensione del significato delle parole. Gli autoencoder sono anche modelli generativi che possono generare casualmente nuovi dati simili ai dati di addestramento di input alla rete. dati di addestramento di input alla rete.
, オートエンコーダ（自己符号化器、英: autoencoder）とは、機械学習において、ニューラルネットワークを使用した次元圧縮のためのアルゴリズム。2006年にジェフリー・ヒントンらが提案した。
, Ein Autoencoder ist ein künstliches neuron … Ein Autoencoder ist ein künstliches neuronales Netz, das dazu genutzt wird, effiziente Codierungen zu lernen.Das Ziel eines Autoencoders ist es, eine komprimierte Repräsentation (Encoding) für einen Satz Daten zu lernen und somit auch wesentliche Merkmale zu extrahieren.Dadurch kann er zur Dimensionsreduktion genutzt werden. Der Autoencoder benutzt drei oder mehr Schichten:
* Eine Eingabeschicht. Bei der Gesichtserkennung könnten die Neuronen beispielsweise die Pixel einer Fotografie abbilden.
* Einige signifikant kleinere Schichten, die das Encoding bilden.
* Eine Ausgabeschicht, in der jedes Neuron die gleiche Bedeutung hat wie das entsprechende in der Eingabeschicht. Wenn lineare Neuronen benutzt werden, ist er der Hauptkomponentenanalyse sehr ähnlich. der Hauptkomponentenanalyse sehr ähnlich.
, 오토인코더(Autoencoder)는 인코더를 통해 입력을 신호로 변환한 다음 다시 디코더를 통해 레이블 따위를 만들어내는 비지도 학습 기법이다.
, An autoencoder is a type of artificial neu … An autoencoder is a type of artificial neural network used to learn efficient codings of unlabeled data (unsupervised learning). The encoding is validated and refined by attempting to regenerate the input from the encoding. The autoencoder learns a representation (encoding) for a set of data, typically for dimensionality reduction, by training the network to ignore insignificant data (“noise”). Variants exist, aiming to force the learned representations to assume useful properties. Examples are regularized autoencoders (Sparse, Denoising and Contractive), which are effective in learning representations for subsequent classification tasks, and Variational autoencoders, with applications as generative models. Autoencoders are applied to many problems, including facial recognition, feature detection, anomaly detection and acquiring the meaning of words. Autoencoders are also generative models which can randomly generate new data that is similar to the input data (training data).similar to the input data (training data).
, Un auto-encodeur, ou auto-associateur est … Un auto-encodeur, ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes. L'objectif d'un auto-encodeur est d'apprendre une représentation (encodage) d'un ensemble de données, généralement dans le but de réduire la dimension de cet ensemble. Récemment[Quand ?], le concept d'auto-encodeur est devenu plus largement utilisé pour l'apprentissage de modèles génératifs.our l'apprentissage de modèles génératifs.
, Un autoencoder és un tipus de xarxa neuron … Un autoencoder és un tipus de xarxa neuronal artificial no supervisada. Té la particularitat de que té el mateix número de nodes a la primera capa i a la última, pel que té tants valors input com output. Està format per la capa inicial, seguit per capes ocultes i amb una última capa de sortida. La capa oculta central té una menor que la primera i la última, pel que forma un coll d'ampolla. L'objectiu de l'autoencoder és reproduir a la última capa les mateixes dades que obté a la primera capa de forma tan aproximada com sigui possible. Com que en el coll d'ampolla el número de dimensions és menor, l'autoencoder haurà d'aprendre una nova representació de les dades que tingui un número menor de dimensions que l'original. Del contrari, no podrà mantenir la informació necessària en el coll d'ampolla per reproduir correctament les dades a l'última capa. El coll d'ampolla divideix l'autoencoder en dues parts: l'encoder i el decoder. L'encoder forma les capes a l'esquerra de la capa en el coll d'ampolla, i té aquest nom degut a que codifica la informació d'entrada a una representació de menys dimensions. El decoder forma les capes a la dreta de la capa en el coll d'ampolla, i s'encarrega de convertir les dades en l'espai de poques dimensions a l'espai de tantes dimensions com l'original. Les aplicacions d'un autoencoder passen per reducció de soroll, compressió, detecció d'anomalies, etc. N'existeixen diferents variants, com Variatonal autoencoder (VAE). La propietat de reducció de dimensionalitat es pot comparar amb altres algoritmes com (PCA), però l'autoencoder té l'avantatge d'usar operacions no lineals, guanyant flexibilitat i així sent capaç en ocasions de fer més compressió sense augmentar l'error de reconstrucció. sense augmentar l'error de reconstrucció.
, 自编码器（英语：Autoencoder），也称自动编码器，是一种人工神经网络，在无监督学习中用于有效编码。自编码的目的是对一组数据学习出一种表示（也称表征，编码），通常用于降维。最近，自编码的概念广泛地用于数据的生成模型。 自2010年以来，一些先进的人工智能在深度学习网络中采用了采用堆叠式稀疏自编码。
, Автокодува́льник (англ. autoencoder) — це … Автокодува́льник (англ. autoencoder) — це один із типів штучних нейронних мереж, який використовують для навчання ефективних кодувань немічених даних (спонтанного навчання). Це кодування перевіряється та вдосконалюється шляхом намагання відтворювати вхід із цього кодування. Автокодувальник навчається подання (кодування) для набору даних, зазвичай для зниження розмірності, шляхом тренування цієї мережі ігнорувати незначущі дані («шум»). Існують варіанти, спрямовані на змушування навчених подань набувати корисних властивостей. Прикладами є регуляризовані автокодувальники (розріджені, знешумлювальні та стягувальні, англ. Sparse, Denoising, Contractive відповідно), що є дієвими в навчанні подань для пізніших задач класифікування, та варіаційні (англ. Variational) автокодувальники, із застосуванням як породжувальних моделей. Автокодувальники застосовують у багатьох задачах, від розпізнавання облич до оволодівання семантичним значенням слів.о оволодівання семантичним значенням слів.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Autoencoder_schema.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageID
|
6836612
|
| http://dbpedia.org/ontology/wikiPageLength
|
40553
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1120107812
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Breast_cancer +
, http://dbpedia.org/resource/Restricted_Boltzmann_machine +
, http://dbpedia.org/resource/Dimensionality_reduction +
, http://dbpedia.org/resource/Feature_learning +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Variational_Bayesian_methods +
, http://dbpedia.org/resource/Super-resolution +
, http://dbpedia.org/resource/Language +
, http://dbpedia.org/resource/Multilayer_perceptron +
, http://dbpedia.org/resource/Geoffrey_Hinton +
, http://dbpedia.org/resource/Category:Neural_network_architectures +
, http://dbpedia.org/resource/File:PCA_vs_Linear_Autoencoder.png +
, http://dbpedia.org/resource/File:Autoencoder_sparso.png +
, http://dbpedia.org/resource/File:Autoencoder_structure.png +
, http://dbpedia.org/resource/Rectified_linear_unit +
, http://dbpedia.org/resource/File:Reconstruction_autoencoders_vs_PCA.png +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/File:Autoencoder_schema.png +
, http://dbpedia.org/resource/Face_recognition +
, http://dbpedia.org/resource/Kullback%E2%80%93Leibler_divergence +
, http://dbpedia.org/resource/Image_compression +
, http://dbpedia.org/resource/Singular_value_decomposition +
, http://dbpedia.org/resource/Hash_table +
, http://dbpedia.org/resource/JPEG_2000 +
, http://dbpedia.org/resource/Jacobian_matrix_and_determinant +
, http://dbpedia.org/resource/Data_compression +
, http://dbpedia.org/resource/Additive_white_Gaussian_noise +
, http://dbpedia.org/resource/Variational_autoencoder +
, http://dbpedia.org/resource/Alzheimer%27s_disease +
, http://dbpedia.org/resource/Latent_variable +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://dbpedia.org/resource/Sigmoid_function +
, http://dbpedia.org/resource/Deep_belief_network +
, http://dbpedia.org/resource/MRI +
, http://dbpedia.org/resource/Artificial_intelligence +
, http://dbpedia.org/resource/Linguistic +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Activation_function +
, http://dbpedia.org/resource/Image_denoising +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Identity_function +
, http://dbpedia.org/resource/Information_retrieval +
, http://dbpedia.org/resource/Neural_machine_translation +
, http://dbpedia.org/resource/Empirical_measure +
, http://dbpedia.org/resource/Least_squares +
, http://dbpedia.org/resource/Relaxation_%28approximation%29 +
, http://dbpedia.org/resource/Transformer_%28machine_learning_model%29 +
, http://dbpedia.org/resource/Statistical_classification +
, http://dbpedia.org/resource/Sparse_dictionary_learning +
, http://dbpedia.org/resource/Anomaly_detection +
, http://dbpedia.org/resource/Principal_component_analysis +
, http://dbpedia.org/resource/Russ_Salakhutdinov +
, http://dbpedia.org/resource/Machine_translation +
, http://dbpedia.org/resource/Generative_model +
, http://dbpedia.org/resource/Category:Dimension_reduction +
, http://dbpedia.org/resource/Sparse_coding +
, http://dbpedia.org/resource/Rectifier_%28neural_networks%29 +
, http://dbpedia.org/resource/Gradient_descent +
, http://dbpedia.org/resource/Categorical_distribution +
, http://dbpedia.org/resource/Medical_imaging +
, http://dbpedia.org/resource/Representation_learning +
, http://dbpedia.org/resource/Frobenius_norm +
|
| http://dbpedia.org/property/cs1Dates
|
y
|
| http://dbpedia.org/property/date
|
March 2020
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Toclimit +
, http://dbpedia.org/resource/Template:Main +
, http://dbpedia.org/resource/Template:Distinguish +
, http://dbpedia.org/resource/Template:Differentiable_computing +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:Noise +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Use_dmy_dates +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Neural_network_architectures +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Category:Dimension_reduction +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Network +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Autoencoder?oldid=1120107812&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/PCA_vs_Linear_Autoencoder.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Autoencoder_schema.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Autoencoder_sparso.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Autoencoder_structure.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Reconstruction_autoencoders_vs_PCA.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Autoencoder +
|
| owl:differentFrom |
http://dbpedia.org/resource/Autocoder +
, http://dbpedia.org/resource/Autocode +
|
| owl:sameAs |
http://ca.dbpedia.org/resource/Autoencoder +
, http://ru.dbpedia.org/resource/%D0%90%D0%B2%D1%82%D0%BE%D0%BA%D0%BE%D0%B4%D0%B8%D1%80%D0%BE%D0%B2%D1%89%D0%B8%D0%BA +
, http://www.wikidata.org/entity/Q786435 +
, http://it.dbpedia.org/resource/Autocodificatore +
, http://fa.dbpedia.org/resource/%D8%AE%D9%88%D8%AF%D8%B1%D9%85%D8%B2%DA%AF%D8%B0%D8%A7%D8%B1 +
, http://tr.dbpedia.org/resource/Otokodlay%C4%B1c%C4%B1 +
, https://global.dbpedia.org/id/4wHva +
, http://rdf.freebase.com/ns/m.0grsv6 +
, http://de.dbpedia.org/resource/Autoencoder +
, http://zh.dbpedia.org/resource/%E8%87%AA%E7%BC%96%E7%A0%81%E5%99%A8 +
, http://ja.dbpedia.org/resource/%E3%82%AA%E3%83%BC%E3%83%88%E3%82%A8%E3%83%B3%E3%82%B3%E3%83%BC%E3%83%80 +
, http://yago-knowledge.org/resource/Autoencoder +
, http://vi.dbpedia.org/resource/B%E1%BB%99_t%E1%BB%B1_m%C3%A3_h%C3%B3a +
, http://fr.dbpedia.org/resource/Auto-encodeur +
, http://uk.dbpedia.org/resource/%D0%90%D0%B2%D1%82%D0%BE%D0%BA%D0%BE%D0%B4%D1%83%D0%B2%D0%B0%D0%BB%D1%8C%D0%BD%D0%B8%D0%BA +
, http://dbpedia.org/resource/Autoencoder +
, http://ko.dbpedia.org/resource/%EC%98%A4%ED%86%A0%EC%9D%B8%EC%BD%94%EB%8D%94 +
, http://el.dbpedia.org/resource/Autoencoder +
|
| rdf:type |
http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/WikicatNeuralNetworks +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/Description106724763 +
, http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/ontology/Broadcaster +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/Specification106725067 +
|
| rdfs:comment |
An autoencoder is a type of artificial neu … An autoencoder is a type of artificial neural network used to learn efficient codings of unlabeled data (unsupervised learning). The encoding is validated and refined by attempting to regenerate the input from the encoding. The autoencoder learns a representation (encoding) for a set of data, typically for dimensionality reduction, by training the network to ignore insignificant data (“noise”).rk to ignore insignificant data (“noise”).
, 오토인코더(Autoencoder)는 인코더를 통해 입력을 신호로 변환한 다음 다시 디코더를 통해 레이블 따위를 만들어내는 비지도 학습 기법이다.
, 自编码器（英语：Autoencoder），也称自动编码器，是一种人工神经网络，在无监督学习中用于有效编码。自编码的目的是对一组数据学习出一种表示（也称表征，编码），通常用于降维。最近，自编码的概念广泛地用于数据的生成模型。 自2010年以来，一些先进的人工智能在深度学习网络中采用了采用堆叠式稀疏自编码。
, Un autocodificatore o autoencoder è un tip … Un autocodificatore o autoencoder è un tipo di rete neurale artificiale utilizzato per apprendere codifiche efficienti di dati non etichettati, rientrando quindi nel campo dell'apprendimento non supervisionato. La codifica viene convalidata e perfezionata tentando di ricostruire l'input dalla codifica. L'autocodificatore apprende una rappresentazione (codifica) di un insieme di dati, tipicamente per la riduzione della dimensionalità, addestrando la rete a ignorare i dati insignificanti ("rumore").ignorare i dati insignificanti ("rumore").
, Ein Autoencoder ist ein künstliches neuron … Ein Autoencoder ist ein künstliches neuronales Netz, das dazu genutzt wird, effiziente Codierungen zu lernen.Das Ziel eines Autoencoders ist es, eine komprimierte Repräsentation (Encoding) für einen Satz Daten zu lernen und somit auch wesentliche Merkmale zu extrahieren.Dadurch kann er zur Dimensionsreduktion genutzt werden. Der Autoencoder benutzt drei oder mehr Schichten: Wenn lineare Neuronen benutzt werden, ist er der Hauptkomponentenanalyse sehr ähnlich. der Hauptkomponentenanalyse sehr ähnlich.
, Автокодува́льник (англ. autoencoder) — це … Автокодува́льник (англ. autoencoder) — це один із типів штучних нейронних мереж, який використовують для навчання ефективних кодувань немічених даних (спонтанного навчання). Це кодування перевіряється та вдосконалюється шляхом намагання відтворювати вхід із цього кодування. Автокодувальник навчається подання (кодування) для набору даних, зазвичай для зниження розмірності, шляхом тренування цієї мережі ігнорувати незначущі дані («шум»). мережі ігнорувати незначущі дані («шум»).
, Un autoencoder és un tipus de xarxa neuron … Un autoencoder és un tipus de xarxa neuronal artificial no supervisada. Té la particularitat de que té el mateix número de nodes a la primera capa i a la última, pel que té tants valors input com output. Està format per la capa inicial, seguit per capes ocultes i amb una última capa de sortida. La capa oculta central té una menor que la primera i la última, pel que forma un coll d'ampolla. L'objectiu de l'autoencoder és reproduir a la última capa les mateixes dades que obté a la primera capa de forma tan aproximada com sigui possible. Com que en el coll d'ampolla el número de dimensions és menor, l'autoencoder haurà d'aprendre una nova representació de les dades que tingui un número menor de dimensions que l'original. Del contrari, no podrà mantenir la informació necessària en el coll d'air la informació necessària en el coll d'a
, オートエンコーダ（自己符号化器、英: autoencoder）とは、機械学習において、ニューラルネットワークを使用した次元圧縮のためのアルゴリズム。2006年にジェフリー・ヒントンらが提案した。
, Автокодировщик (англ. autoencoder, также — … Автокодировщик (англ. autoencoder, также — автоассоциатор) — специальная архитектура искусственных нейронных сетей, позволяющая применять обучение без учителя при использовании метода обратного распространения ошибки. Простейшая архитектура автокодировщика — сеть прямого распространения, без обратных связей, наиболее схожая с перцептроном и содержащая входной слой, промежуточный слой и выходной слой. В отличие от перцептрона, выходной слой автокодировщика должен содержать столько же нейронов, сколько и входной слой.олько же нейронов, сколько и входной слой.
, Un auto-encodeur, ou auto-associateur est … Un auto-encodeur, ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes. L'objectif d'un auto-encodeur est d'apprendre une représentation (encodage) d'un ensemble de données, généralement dans le but de réduire la dimension de cet ensemble. Récemment[Quand ?], le concept d'auto-encodeur est devenu plus largement utilisé pour l'apprentissage de modèles génératifs.our l'apprentissage de modèles génératifs.
|
| rdfs:label |
自编码器
, 오토인코더
, Autoencoder
, Автокодувальник
, オートエンコーダ
, Autocodificatore
, Автокодировщик
, Auto-encodeur
|
