Πίνακας περιεχομένων:
- Ορισμός - Τι σημαίνει η διδασκαλία του Vector Learning Quantization (LVQ);
- Η Techopedia εξηγεί την Quantization διδασκαλίας διάνυσμα (LVQ)
Ορισμός - Τι σημαίνει η διδασκαλία του Vector Learning Quantization (LVQ);
Η εκμάθηση κβαντισμού διάνυσμα (LVQ) είναι ένας αλγόριθμος που είναι ένας τύπος τεχνητών νευρωνικών δικτύων και χρησιμοποιεί νευρωνικούς υπολογισμούς. Σε γενικές γραμμές, μπορεί να λεχθεί ότι είναι ένας τύπος υπολογιστικής νοημοσύνης. Αυτός ο αλγόριθμος παίρνει μια ανταγωνιστική, νικητής-παίρνει-όλα προσέγγιση της μάθησης και σχετίζεται επίσης με άλλους αλγορίθμους νευρωνικού δικτύου όπως Perceptron και back-διάδοση. Ο αλγόριθμος LVQ επιτρέπει σε κάποιον να επιλέξει τον αριθμό των στιγμιότυπων εκπαίδευσης που πρέπει να υποβληθούν και στη συνέχεια να μάθει για το πώς μοιάζουν αυτά τα στιγμιότυπα. Το LVQ εφευρέθηκε από τον Teuvo Kohonen και σχετίζεται με τον αλγόριθμο k-πλησιέστερο γείτονα.
Η Techopedia εξηγεί την Quantization διδασκαλίας διάνυσμα (LVQ)
Ο βασικός στόχος της εκμάθησης κβαντισμού φορέα όσον αφορά την επεξεργασία πληροφοριών είναι η προετοιμασία, στο πεδίο των δειγμάτων δεδομένων που παρατηρούνται, ενός συνόλου φορέων βιβλίου κωδίκων. Περαιτέρω, αυτοί οι φορείς στη συνέχεια χρησιμοποιούνται για την ταξινόμηση φορέων που είναι αόρατοι. Αρχικά, συντίθεται μια τυχαία ομάδα φορέων και στη συνέχεια εκτίθενται σε δείγματα εκπαίδευσης. Σχετικά με την εφαρμογή μιας στρατηγικής νικητή-παίρνει-όλα, επιλέγονται είτε μία είτε εκείνες που είναι οι περισσότερο παρόμοιοι φορείς με το δεδομένο μοτίβο εισόδου. Αυτά προσαρμόζονται με τέτοιο τρόπο ώστε να είναι πιο κοντά στο διάνυσμα εισόδου ή, ενίοτε, πιο μακριά από τον επιλαχόντα. Κατά την επανάληψη αυτής της διαδικασίας, καταλήγει σε κατανομή διανυσμάτων βιβλίου κωδικών στον χώρο εισόδου που μπορεί να προσεγγίσει την κατανομή δειγμάτων στα οποία βασίζεται το σετ δεδομένων δοκιμής. Αυτός ο αλγόριθμος χρησιμοποιείται για την πρότυπη μοντελοποίηση.
