| http://dbpedia.org/ontology/abstract
|
Group method of data handling (GMDH) is a … Group method of data handling (GMDH) is a family of inductive algorithms for computer-based mathematical modeling of multi-parametric datasets that features fully automatic structural and parametric optimization of models. GMDH is used in such fields as data mining, knowledge discovery, prediction, complex systems modeling, optimization and pattern recognition. GMDH algorithms are characterized by inductive procedure that performs sorting-out of gradually complicated polynomial models and selecting the best solution by means of the external criterion. A GMDH model with multiple inputs and one output is a subset of components of the base function (1): where fi are elementary functions dependent on different sets of inputs, ai are coefficients and m is the number of the base function components. In order to find the best solution, GMDH algorithms consider various component subsets of the base function (1) called partial models. Coefficients of these models are estimated by the least squares method. GMDH algorithms gradually increase the number of partial model components and find a model structure with optimal complexity indicated by the minimum value of an external criterion. This process is called self-organization of models. As the first base function used in GMDH, was the gradually complicated Kolmogorov–Gabor polynomial (2): Usually more simple partial models with up to second degree functions are used. The inductive algorithms are also known as polynomial neural networks. Jürgen Schmidhuber cites GMDH as one of the first deep learning methods, remarking that it was used to train eight-layer neural nets as early as 1971. eight-layer neural nets as early as 1971.
, Метод групового урахування аргументів (МГУ … Метод групового урахування аргументів (МГУА) — сімейство індуктивних алгоритмів для математичного моделювання багатопараметричних даних. Метод заснований на селективному відборі моделей, на основі яких будуються складніші моделі. Точність моделювання на кожному наступному кроці збільшується за рахунок ускладнення моделі. Цей метод був запропонований наприкінці 60-х — початку 70-х академіком Олексієм Григоровичем Івахненком (Інститут кібернетики НАНУ).ем Івахненком (Інститут кібернетики НАНУ).
, Метод группового учёта аргументов (МГУА) — … Метод группового учёта аргументов (МГУА) — семейство индуктивных алгоритмов для математического моделирования мультипараметрических данных. Метод основан на рекурсивном селективном отборе моделей, на основе которых строятся более сложные модели. Точность моделирования на каждом следующем шаге рекурсии увеличивается за счет усложнения модели. Автор метода — академик НАНУ Алексей Григорьевич Ивахненко. Юрген Шмидхубер ссылается на МГУА как наиболее ранний метод глубокого обучения, отмечая, что он был использован для обучения восьмислойной нейронной сети уже в 1971.я восьмислойной нейронной сети уже в 1971.
, El método de agrupamiento para el manejo d … El método de agrupamiento para el manejo de datos (en inglés, Group method of data handling, GMDH) es una familia de algoritmos inductivos para la modelación matemática computacional de conjunto de datos multi-paramétricos que caracteriza completamente la optimización estructural y paramétrica automática de modelos. GMDH es utilizado en campos como Minería de datos, descubrimiento de conocimiento, predicción, modelado de sistemas complejos, optimización y reconocimiento de patrón. Los algoritmos GMDH están caracterizados por el procedimiento inductivo que realiza un ordenamiento de modelos polinómicos gradualmente complicados y selecciona la solución mejor mediante el tan nombrado criterio externo. Un modelo GMDH con múltiples entradas y una salida es un subconjunto de componentes de la función base (1): donde f son las funciones elementales dependientes en diferentes conjuntos de entradas, a son coeficientes y m es el número de los componentes de la función base. Para encontrar la solución mejor los algoritmos GMDH consideran varios subconjuntos de componente de la función base (1) llamados modelos parciales. Los coeficientes de estos modelos son estimados por el método de mínimos cuadrados. Los algoritmos GMDH gradualmente aumentan el número de componentes del modelo parcial y encuentran una estructura del modelo con complejidad óptima indicada por el valor mínimo de un criterio externo. Este proceso es llamado auto-organización de modelos. La función base más popular utilizada en GMDH es el polinomio gradualmente complicado de Kolmogorov-Gabor (2): Los modelos resultantes son también conocidos como redes neuronales polinómicas. Jürgen Schmidhuber cita a GDMH como uno de los métodos de aprendizaje profundo más tempranos, remarcando que ya en 1971 este fue usado para entrenar redes neuronales ocho-capas.ara entrenar redes neuronales ocho-capas.
, Polynomiální neuronová síť typu Group Meth … Polynomiální neuronová síť typu Group Method of Data Handling (GMDH) je vícevrstvá neuronová síť s několika vstupy a jedním výstupem. Algoritmus sítí GMDH, poprvé zveřejněný , byl vyvinut jako nástroj pro nalezení závislostí v komplexních nelineárních vícerozměrných systémech. Neuronová síť GMHD je typem sítě s učením s učitelem. Parametry sítě se vytvářejí při předkládání dat. Zvláštností této sítě je, že nemá pevnou strukturu. Ta je postupně vytvářena vrstva po vrstvě, právě při učení této sítě. Tato síť provádí polynomiální kombinaci vstupů a každá další vrstva zdvojnásobuje stupeň výsledného polynomu. GMDH je rodina induktivních algoritmů pro počítačové matematické modelování víceparametrických datových souborů, která nabízí plně automatickou strukturální a parametrickou optimalizaci modelů. GMDH se používá v takových oblastech, jako je dolování dat, objevování znalostí, predikce, modelování složitých systémů, optimalizace a rozpoznávání vzorů. Algoritmy GMDH se vyznačují induktivním postupem, který provádí postupně třídění komplikovaných polynomických modelů a výběr nejlepšího řešení pomocí vnějšího kritéria. Algoritmus hledá optimální polynom reprezentující předložená data. Algoritmus dále tento polynom vytváří pomocí polynomiální vícevrstvé sítě aproximací funkce . Funkce mapují podmnožinu n-rozměrného Euklidovského prostoru (vstupní reálná data) do množiny reálných čísel. Cílem je získat matematický model objektu (problém identifikace) nebo popsat proces, který se na objektu bude odehrávat v budoucnosti (problém předpovídání). GMDH patří ke skupině tzv. induktivních algoritmů – nad předloženým datovým souborem se snaží samy bez přičinění uživatele nalézt model zkoumaných dat. Funkce použitá v GMDH je Kolmogorov-Gaborův polynom: , obvykle se používá polynom do druhého stupně. Jürgen Schmidhuber uvádí GMDH jako jednu z prvních metod hlubokého učení a poznamenává, že byla použita k trénování osmivrstvých neuronových sítí již v roce 1971.vrstvých neuronových sítí již v roce 1971.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Photo_of_Prof._Alexey_G._Ivakhnenko.jpg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://github.com/kvoyager/GmdhPy/ +
, http://www.knowledgeminer.eu/about.html +
, http://www.gmdh.net/articles/history/heuristic.pdf +
, http://gmdh.net/articles/index.html +
, http://gmdh.net/articles/theory/GMDHbook.pdf +
, http://pnn.pnnsoft.com/index.html +
, http://sourceforge.net/projects/sciengyrpf/ +
, https://gmdhsoftware.com/predictive-analytics-software +
, https://CRAN.R-project.org/package=GMDHreg +
, http://wgmdh.irb.hr/en/project/ +
, https://cran.r-project.org/web/packages/GMDH/ +
, https://web.archive.org/web/20080418084252/http:/research.guilan.ac.ir/gevom/ +
, https://web.archive.org/web/20080213145150/http:/neuron.felk.cvut.cz/game/project.html +
, http://gmdh.net +
|
| http://dbpedia.org/ontology/wikiPageID
|
13793747
|
| http://dbpedia.org/ontology/wikiPageLength
|
18508
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1123772814
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Uncertainty +
, http://dbpedia.org/resource/Channel_%28communications%29 +
, http://dbpedia.org/resource/Fuzzy_set +
, http://dbpedia.org/resource/Feature_selection +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Mathematical_model +
, http://dbpedia.org/resource/Category:Regression_variable_selection +
, http://dbpedia.org/resource/Knowledge_discovery +
, http://dbpedia.org/resource/Black_box +
, http://dbpedia.org/resource/Dennis_Gabor +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Selection_%28genetic_algorithm%29 +
, http://dbpedia.org/resource/Kyiv +
, http://dbpedia.org/resource/Principle +
, http://dbpedia.org/resource/Pattern_recognition +
, http://dbpedia.org/resource/Stanley_Farlow +
, http://dbpedia.org/resource/Artificial_Neural_Network +
, http://dbpedia.org/resource/Godel%27s_incompleteness_theorems +
, http://dbpedia.org/resource/Optimization_%28mathematics%29 +
, http://dbpedia.org/resource/System_identification +
, http://dbpedia.org/resource/Category:Computational_statistics +
, http://dbpedia.org/resource/Knowledge_extraction +
, http://dbpedia.org/resource/Noise_%28electronics%29 +
, http://dbpedia.org/resource/Joseph_Adh%C3%A9mar +
, http://dbpedia.org/resource/Forecasting +
, http://dbpedia.org/resource/Complex_systems +
, http://dbpedia.org/resource/Cross-validation_%28statistics%29 +
, http://dbpedia.org/resource/Data_mining +
, http://dbpedia.org/resource/Least_squares +
, http://dbpedia.org/resource/Structural_induction +
, http://dbpedia.org/resource/Wiener_series +
, http://dbpedia.org/resource/Category:Classification_algorithms +
, http://dbpedia.org/resource/Weka_%28machine_learning%29 +
, http://dbpedia.org/resource/File:Photo_of_Prof._Alexey_G._Ivakhnenko.jpg +
, http://dbpedia.org/resource/File:Combinatorial_GMDH_optimal_complexity.png +
, http://dbpedia.org/resource/Category:Soviet_inventions +
, http://dbpedia.org/resource/Artificial_Intelligence +
, http://dbpedia.org/resource/Shannon%27s_Theorem +
, http://dbpedia.org/resource/J%C3%BCrgen_Schmidhuber +
, http://dbpedia.org/resource/Alexey_Grigorevich_Ivakhnenko +
, http://dbpedia.org/resource/Experimental_data +
, http://dbpedia.org/resource/Anthony_Stafford_Beer +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Reflist +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Computational_statistics +
, http://dbpedia.org/resource/Category:Classification_algorithms +
, http://dbpedia.org/resource/Category:Regression_variable_selection +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Category:Soviet_inventions +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Group_method_of_data_handling?oldid=1123772814&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Photo_of_Prof._Alexey_G._Ivakhnenko.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Combinatorial_GMDH_optimal_complexity.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Group_method_of_data_handling +
|
| owl:sameAs |
https://global.dbpedia.org/id/3EdSx +
, http://dbpedia.org/resource/Group_method_of_data_handling +
, http://cs.dbpedia.org/resource/Polynomi%C3%A1ln%C3%AD_neuronov%C3%A1_s%C3%AD%C5%A5 +
, http://www.wikidata.org/entity/Q3507155 +
, http://yago-knowledge.org/resource/Group_method_of_data_handling +
, http://es.dbpedia.org/resource/M%C3%A9todo_de_agrupamiento_para_el_manejo_de_datos +
, http://ru.dbpedia.org/resource/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%B3%D1%80%D1%83%D0%BF%D0%BF%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE_%D1%83%D1%87%D1%91%D1%82%D0%B0_%D0%B0%D1%80%D0%B3%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D0%BE%D0%B2 +
, http://uk.dbpedia.org/resource/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%B3%D1%80%D1%83%D0%BF%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE_%D1%83%D1%80%D0%B0%D1%85%D1%83%D0%B2%D0%B0%D0%BD%D0%BD%D1%8F_%D0%B0%D1%80%D0%B3%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%96%D0%B2 +
, http://rdf.freebase.com/ns/m.03cjgkf +
|
| rdf:type |
http://dbpedia.org/class/yago/Description106724763 +
, http://dbpedia.org/class/yago/Procedure101023820 +
, http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/Algorithm105847438 +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/class/yago/WikicatClassificationAlgorithms +
, http://dbpedia.org/class/yago/Rule105846932 +
, http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/Specification106725067 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/class/yago/Activity100407535 +
|
| rdfs:comment |
Group method of data handling (GMDH) is a … Group method of data handling (GMDH) is a family of inductive algorithms for computer-based mathematical modeling of multi-parametric datasets that features fully automatic structural and parametric optimization of models. GMDH is used in such fields as data mining, knowledge discovery, prediction, complex systems modeling, optimization and pattern recognition. GMDH algorithms are characterized by inductive procedure that performs sorting-out of gradually complicated polynomial models and selecting the best solution by means of the external criterion.lution by means of the external criterion.
, El método de agrupamiento para el manejo d … El método de agrupamiento para el manejo de datos (en inglés, Group method of data handling, GMDH) es una familia de algoritmos inductivos para la modelación matemática computacional de conjunto de datos multi-paramétricos que caracteriza completamente la optimización estructural y paramétrica automática de modelos. GMDH es utilizado en campos como Minería de datos, descubrimiento de conocimiento, predicción, modelado de sistemas complejos, optimización y reconocimiento de patrón. Un modelo GMDH con múltiples entradas y una salida es un subconjunto de componentes de la función base (1):nto de componentes de la función base (1):
, Метод групового урахування аргументів (МГУ … Метод групового урахування аргументів (МГУА) — сімейство індуктивних алгоритмів для математичного моделювання багатопараметричних даних. Метод заснований на селективному відборі моделей, на основі яких будуються складніші моделі. Точність моделювання на кожному наступному кроці збільшується за рахунок ускладнення моделі. Цей метод був запропонований наприкінці 60-х — початку 70-х академіком Олексієм Григоровичем Івахненком (Інститут кібернетики НАНУ).ем Івахненком (Інститут кібернетики НАНУ).
, Polynomiální neuronová síť typu Group Meth … Polynomiální neuronová síť typu Group Method of Data Handling (GMDH) je vícevrstvá neuronová síť s několika vstupy a jedním výstupem. Algoritmus sítí GMDH, poprvé zveřejněný , byl vyvinut jako nástroj pro nalezení závislostí v komplexních nelineárních vícerozměrných systémech. Neuronová síť GMHD je typem sítě s učením s učitelem. Parametry sítě se vytvářejí při předkládání dat. Zvláštností této sítě je, že nemá pevnou strukturu. Ta je postupně vytvářena vrstva po vrstvě, právě při učení této sítě. Tato síť provádí polynomiální kombinaci vstupů a každá další vrstva zdvojnásobuje stupeň výsledného polynomu. zdvojnásobuje stupeň výsledného polynomu.
, Метод группового учёта аргументов (МГУА) — … Метод группового учёта аргументов (МГУА) — семейство индуктивных алгоритмов для математического моделирования мультипараметрических данных. Метод основан на рекурсивном селективном отборе моделей, на основе которых строятся более сложные модели. Точность моделирования на каждом следующем шаге рекурсии увеличивается за счет усложнения модели. Автор метода — академик НАНУ Алексей Григорьевич Ивахненко. Юрген Шмидхубер ссылается на МГУА как наиболее ранний метод глубокого обучения, отмечая, что он был использован для обучения восьмислойной нейронной сети уже в 1971.я восьмислойной нейронной сети уже в 1971.
|
| rdfs:label |
Group method of data handling
, Метод группового учёта аргументов
, Метод групового урахування аргументів
, Método de agrupamiento para el manejo de datos
, Polynomiální neuronová síť
|
