Πίνακας περιεχομένων:
- Ορισμός - Τι σημαίνει ο αυτο-οργανωτικός χάρτης (SOM);
- Η Techopedia εξηγεί τον αυτο-οργανωτικό χάρτη (SOM)
Ορισμός - Τι σημαίνει ο αυτο-οργανωτικός χάρτης (SOM);
Ένας αυτο-οργανωμένος χάρτης (SOM) είναι ένας τύπος τεχνητού νευρικού δικτύου που χρησιμοποιεί μάθηση χωρίς επίβλεψη για να χτίσει έναν δισδιάστατο χάρτη ενός χώρου προβλημάτων. Η βασική διαφορά μεταξύ ενός αυτο-οργανωμένου χάρτη και άλλων προσεγγίσεων για την επίλυση προβλημάτων είναι ότι ένας αυτο-οργανωτικός χάρτης χρησιμοποιεί ανταγωνιστική μάθηση και όχι μάθηση διόρθωσης σφαλμάτων, όπως η πίσω πρόβλεψη με κλίση κλίσης.
Ένας αυτο-οργανωμένος χάρτης μπορεί να δημιουργήσει μια οπτική αναπαράσταση δεδομένων σε ένα εξαγωνικό ή ορθογώνιο πλέγμα. Οι εφαρμογές περιλαμβάνουν τη μετεωρολογία, την ωκεανογραφία, την ιεράρχηση των έργων και την εξερεύνηση πετρελαίου και φυσικού αερίου.
Ένας αυτο-οργανωμένος χάρτης είναι επίσης γνωστός ως ένας αυτο-οργανωμένος χάρτης χαρακτηριστικών (SOFM) ή ένας χάρτης Kohonen.
Η Techopedia εξηγεί τον αυτο-οργανωτικό χάρτη (SOM)
Ένας αυτο-οργανωτικός χάρτης είναι ένας τύπος τεχνητού νευρικού δικτύου που προσπαθεί να χτίσει έναν δισδιάστατο χάρτη κάποιου προβληματικού χώρου. Ο χώρος προβλημάτων μπορεί να είναι οτιδήποτε από τις ψηφοφορίες στο Αμερικανικό Κογκρέσο, τους χάρτες των χρωμάτων και ακόμη και τους συνδέσμους μεταξύ των άρθρων της Wikipedia.
Ο στόχος είναι να προσπαθήσουμε να αντικατοπτρίσουμε τον τρόπο με τον οποίο ο οπτικός φλοιός στον ανθρώπινο εγκέφαλο βλέπει αντικείμενα χρησιμοποιώντας σήματα που παράγονται από τα οπτικά νεύρα. Ο στόχος είναι να κάνουν όλους τους κόμβους στο δίκτυο να αντιδρούν διαφορετικά σε διαφορετικές εισόδους. Ένας αυτο-οργανωτικός χάρτης κάνει χρήση της ανταγωνιστικής μάθησης όπου οι κόμβοι τελικά ειδικεύονται.
Όταν τροφοδοτούνται δεδομένα εισόδου, υπολογίζεται η ευκλείδεια απόσταση ή η ευθεία απόσταση μεταξύ των κόμβων, τα οποία λαμβάνουν ένα βάρος. Ο κόμβος στο δίκτυο που μοιάζει περισσότερο με τα δεδομένα εισόδου ονομάζεται η καλύτερη μονάδα που ταιριάζει (BMU).
Καθώς το νευρωνικό δίκτυο μετακινείται μέσω του προβλήματος, τα βάρη αρχίζουν να μοιάζουν περισσότερο με τα πραγματικά δεδομένα. Το νευρικό δίκτυο έχει εκπαιδευτεί έτσι ώστε να βλέπει πρότυπα στα δεδομένα πολύ όπως ο άνθρωπος βλέπει.
Η προσέγγιση διαφέρει από τις άλλες τεχνικές του AI, όπως η επίβλεψη μάθησης ή η μάθηση διόρθωσης σφαλμάτων, αλλά χωρίς τη χρήση σημάτων σφάλματος ή επιβράβευσης για την κατάρτιση ενός αλγορίθμου. Έτσι, ένας αυτο-οργανωτικός χάρτης είναι ένα είδος μάθησης χωρίς επίβλεψη.
