| http://dbpedia.org/ontology/abstract
|
Als Selbstorganisierende Karten, Kohonenka … Als Selbstorganisierende Karten, Kohonenkarten oder Kohonennetze (nach Teuvo Kohonen; englisch self-organizing map, SOM bzw. self-organizing feature map, SOFM) bezeichnet man eine Art von künstlichen neuronalen Netzen. Sie sind als unüberwachtes Lernverfahren ein leistungsfähiges Werkzeug des Data-Mining. Ihr Funktionsprinzip beruht auf der biologischen Erkenntnis, dass viele Strukturen im Gehirn eine lineare oder planare Topologie aufweisen. Die Signale des Eingangsraums, z. B. visuelle Reize, sind jedoch multidimensional. Es stellt sich also die Frage, wie diese multidimensionalen Eindrücke durch planare Strukturen verarbeitet werden. Biologische Untersuchungen zeigen, dass die Eingangssignale so abgebildet werden, dass ähnliche Reize nahe beieinander liegen. Der Phasenraum der angelegten Reize wird also kartiert. Wird nun ein Signal an diese Karte herangeführt, so werden nur diejenigen Gebiete der Karte erregt, die dem Signal ähnlich sind. Die Neuronenschichtwirkt als topologische Merkmalskarte, wenn die Lage der am stärksten erregten Neuronen in gesetzmäßiger und stetiger Weise mit wichtigen Signalmerkmalen korreliert ist. Anwendung finden selbstorganisierende Karten zum Beispiel in der Computergrafik (als Quantisierungsalgorithmus zur Farbreduktion von Rastergrafikdaten) und zur Clusteranalyse.Rastergrafikdaten) und zur Clusteranalyse.
, Samoorganizující (Kohonenova) síť je typ d … Samoorganizující (Kohonenova) síť je typ dvouvrstvé umělé neuronové sítě pracující na principu učení bez učitele. Vynalezl ji finský vědec Teuvo Kohonen. Neurony této sítě jsou prostorově uspořádány a mají definováno okolí, své nejbližší neurony. Jako jejich topologická struktura se obvykle používá dvojrozměrná obdélníková nebo hexagonální oblast. Jeden krok učení vypadá tak, že se síti předloží vstupní vzor, nalezne se jemu nejbližší (gain) neuron (pomocí laterální inhibice), a poloha tzv. váhového vektoru tohoto neuronu i neuronů z jeho topologického okolí se upraví tak, aby tyto vektory ležely o něco blíže předloženému vzoru. Během postupného předkládání vstupních vzorů se umístění váhových vektorů neuronů distribuuje do vstupních dat a tuto distribuci promítá do typicky dvojrozměrného prostoru své mřížky. Podobá se tak analýze hlavních komponent. Často se používá při zpracování dat v biologii. se používá při zpracování dat v biologii.
, 自组织映射（SOM）或自组织特征映射（SOFM）是一种使用非監督式學習来产生训练样本的输入空间的一个低维（通常是二维）离散化的表示的人工神经网络（ANN）。自组织映射与其他人工神经网络的不同之处在于它使用一个邻近函数来保持输入空间的拓扑性质。
, Sieć Kohonena, inaczej SOM (z ang. Self Or … Sieć Kohonena, inaczej SOM (z ang. Self Organizing Map – mapa samoorganizująca) – rodzaj sztucznej sieci neuronowej realizującej uczenie nienadzorowane. Zaprezentowana po raz pierwszy w 1982 roku przez fińskiego uczonego . Jest to przykład sieci konkurencyjnej, a więc takiej, w której sygnały wyjściowe neuronów porównuje się ze sobą w celu wskazania zwycięzcy (zwycięski neuron może np. wskazywać klasyfikację sygnału wejściowego). Sieć wykorzystuje koncepcję sąsiedztwa. W wyniku uczenia tej sieci powstaje mapa topologiczna, w której neurony reprezentujące podobne klasy powinny znajdować się blisko siebie. Dzięki temu możliwe jest zaobserwowanie pewnych relacji pomiędzy klasami. Aprioryczna interpretacja tej mapy nie jest możliwa, gdyż sieć uczy się bez nauczyciela. Na podstawie analizy konkretnych przykładów danych wejściowych zazwyczaj można jednak ustalić, jakie znaczenie mają poszczególne rejony tej mapy.aczenie mają poszczególne rejony tej mapy.
, Una mappa auto-organizzata o mappa auto-or … Una mappa auto-organizzata o mappa auto-organizzante, in inglese self-organizing map (SOM), è un tipo di organizzazione di processi di informazione in rete analoghi alle reti neurali artificiali. Sono addestrate usando l'apprendimento non supervisionato per produrre una rappresentazione dei campioni di training in uno spazio a bassa dimensione preservando le proprietà topologiche dello spazio degli ingressi. Questa proprietà rende le SOM particolarmente utili per la visualizzazione di dati di dimensione elevata. Il modello fu inizialmente descritto dal professore finlandese Teuvo Kohonen e spesso ci si riferisce a questo modello come mappe di Kohonen.ce a questo modello come mappe di Kohonen.
, شبكات كوهونين ذاتية التنظيم أو خريطة الخصا … شبكات كوهونين ذاتية التنظيم أو خريطة الخصائص ذاتية التنطيم أو الخريطة ذاتية التنظبم -و هو الأسم الأكثر شهرة- هي إحدى أنواع الشبكات العصبونية الاصطناعية التي تعتمد على مبدأ التعلم غير المراقب وتستخدم في مجالات متعددة نذكر منها التصنيف وتقليل أو تخفيض الأبعاد. تتكون الخريطة ذاتية التنظيم Self Organizing Maps SOM من مجموعة من العصبونات Neurons المنتظمة على شكل مصفوفة أو مشبك أحادي، ثنائي، أو ثلاثي الأبعاد. العالم الفنلندي Teuvo Kohonen هو أول من صاغ هذا النموذج بشكله الحالي اعتمادا على نماذج أخرى تم تقديمها كنظريات لفهم العمليات الحاصلة في العصب البصري للإنسان والفقاريات المتقدمة. العصب البصري للإنسان والفقاريات المتقدمة.
, Les cartes autoadaptatives, cartes auto-or … Les cartes autoadaptatives, cartes auto-organisatrices ou cartes topologiques forment une classe de réseau de neurones artificiels fondée sur des méthodes d'. Elles sont souvent désignées par le terme anglais self organizing maps (SOM), ou encore cartes de Kohonen du nom du statisticien ayant développé le concept en 1984. La littérature utilise aussi les dénominations : « réseau de Kohonen », « réseau autoadaptatif » ou « réseau autoorganisé ». Elles sont utilisées pour cartographier un espace réel, c'est-à-dire pour étudier la répartition de données dans un espace à grande dimension. En pratique, cette cartographie peut servir à réaliser des tâches de discrétisation, quantification vectorielle ou classification.ntification vectorielle ou classification.
, Самоорганизу́ющаяся ка́рта Ко́хонена (англ … Самоорганизу́ющаяся ка́рта Ко́хонена (англ. Self-organizing map — SOM) — нейронная сеть с обучением без учителя, выполняющая задачу визуализации и кластеризации. Идея сети предложена финским учёным Т. Кохоненом. Является методом проецирования многомерного пространства в пространство с более низкой размерностью (чаще всего, двумерное), применяется также для решения задач моделирования, прогнозирования, выявление наборов независимых признаков, поиска закономерностей в больших массивах данных, разработке компьютерных игр, квантизации цветов к их ограниченному числу индексов в цветовой палитре: при печати на принтере и ранее на ПК или же на приставках с дисплеем с пониженным числом цветов, для архиваторов [общего назначения] или видео-кодеков, и прч. Является одной из версий нейронных сетей Кохонена. одной из версий нейронных сетей Кохонена.
, 자기조직화지도(Self-organizing map (SOM))는
* 대뇌피 … 자기조직화지도(Self-organizing map (SOM))는
* 대뇌피질의 시각피질을 모델화한 인공신경망의 일종이다.
* 비교사 학습에 의한 클러스터링 방법의 하나이다.
* 차원을 줄여서 하는 방법의 하나이다. 자기조직화맵이라고도 한다. 인공지능망의 일종인 자기조직화맵은 자율학습의 방법으로 훈련이 되며, 저차원(보통 2차원)의 지도를 생성한다. 이 지도는 입력공간에서 주어진 훈련 샘플에 대한 이산적인 표현을 나타내며, 입력 공간에 대한 위상(topological) 속성을 보존하려고 한다. SOM은 고차원으로 표현된 데이터를 저차원으로 변환해서 보는 데 유용하다. 이 모델은 이 모델을 처음 고안한 핀란드의 과학자인 Teuvo Kohenen의 이름을 본따 Kohenen map 이라고 불리기도 한다. 다른 인공신경망과 같이, SOM은 훈련과 매핑의 두 가지 모드로 동작한다. 훈련은 입력 샘플을 이용해서 지도를 만드는 과정으로, 경쟁적이며, vector quantization 이라고도 불린다. 매핑 과정에서는 새로운 입력을 훈련 결과에 따라 자동적으로 분류한다..다. 매핑 과정에서는 새로운 입력을 훈련 결과에 따라 자동적으로 분류한다..
, A self-organizing map (SOM) or self-organi … A self-organizing map (SOM) or self-organizing feature map (SOFM) is an unsupervised machine learning technique used to produce a low-dimensional (typically two-dimensional) representation of a higher dimensional data set while preserving the topological structure of the data. For example, a data set with variables measured in observations could be represented as clusters of observations with similar values for the variables. These clusters then could be visualized as a two-dimensional "map" such that observations in proximal clusters have more similar values than observations in distal clusters. This can make high-dimensional data easier to visualize and analyze. An SOM is a type of artificial neural network but is trained using competitive learning rather than the error-correction learning (e.g., backpropagation with gradient descent) used by other artificial neural networks. The SOM was introduced by the Finnish professor Teuvo Kohonen in the 1980s and therefore is sometimes called a Kohonen map or Kohonen network. The Kohonen map or network is a computationally convenient abstraction building on biological models of neural systems from the 1970s and morphogenesis models dating back to Alan Turing in the 1950s.s dating back to Alan Turing in the 1950s.
, 自己組織化写像（じこそしきかしゃぞう、英: Self-organizing maps … 自己組織化写像（じこそしきかしゃぞう、英: Self-organizing maps, SOM, Self-organizing feature maps, SOFM）はニューラルネットワークの一種であり、大脳皮質の視覚野をモデル化したものである。自己組織化写像はコホネンによって提案されたモデルであり、教師なし学習によって入力データを任意の次元へ写像することができる。主に1～3次元への写像に用いられ、多次元のデータの可視化が可能である。出力となる空間をマップ (map)、競合層 (competitive layer)、もしくは出力層 (output layer) と呼ぶ。出力層に対して入力データの空間を入力層(input layer)と呼ぶこともある。自己組織化写像はコホネンマップ (Kohonen map)、コホネンネットワーク (Kohonen network)、自己組織化マップ、ソム (SOM) などと呼ぶこともある。 自己組織化写像は複数の人工ニューロンが接続された構造である。この人工ニューロンはノード (node)、もしくはユニット (unit) と呼ぶこともある。ニューロンはノード (node)、もしくはユニット (unit) と呼ぶこともある。
, Самоорганізаційна карта Кохонена (англ. Se … Самоорганізаційна карта Кохонена (англ. Self-organizing map — SOM) — нейронна мережа з некерованим навчанням, яка використовується для конструювання багатовимірного простору в простір з нижчою розмірністю (найчастіше, двовимірний). Створює дискретне представлення вхідних просторів навчальних вибірок, які називаються картою (англ. map), і тому використання цього типу нейронної мережі є методом для зниження розмірності. Самоорганізовані карти відрізняються від інших штучних нейронних мереж, оскільки вони застосовують конкурентне навчання, яке є протилежним до навчання з виправленням помилок (наприклад, метод зворотного поширення помилки з градієнтним спуском), і в тому сенсі, що вони використовують функцію сусідства для збереження топологічних властивостей вхідного простору. Це робить самоорганізовані карти корисними для візуалізації шляхом створення маловимірних зображень багатовимірних даних, цей процес схожий на багатовимірне шкалювання. Штучна нейронна мережа, впроваджена фінським професором Теуво Кохоненом у 1980-х роках, іноді називають картою Кохонена або мережею Кохонена. Мережа Кохонена є зручною для обчислювання абстракцією, що ґрунтується на біологічних моделях нейронних систем з 1970-х років, та моделі морфогенезу, що були впроваджені ще Аланом Тюрінгом у 1950-х роках. У той час як заведено вважати, що цей тип структури мережі пов'язана із мережею прямого поширення, вузли якої зображуються пов'язаними між собою, але тип архітектури самоорганізованої карти принципово відрізняється в аранжуванні та мотивації. Корисні розширення цього типу нейронної мережі включають використання тороїдальних сіток, де протилежні ребра з'єднані та використовується велика кількість вузлів. Показано, що самоорганізовані карти з невеликим числом вузлів поводяться подібно до кластеризації методом к–середніх, більші самоорганізовані карти візуалізують дані таким чином, що є принципово топологічним за характером. Широко використовується . Значення U-матриці конкретного вузла — це середня відстань між ваговим вектором вузла та його найближчими сусідами. Наприклад, у квадратній сітці ми можемо розглядати найближчі 4 або 8 вузлів (окіл фон Неймана і Мура, відповідно) або шість вузлів у гексагональній сітці. Великі карти показують нові властивості. У картах, що складаються із тисяч вузлів, можна виконувати кластерні операції на самій карті.онувати кластерні операції на самій карті.
, Un mapa autoorganizado (en inglés, self-or … Un mapa autoorganizado (en inglés, self-organizing map, SOM) o un mapa autoorganizado de características (self-organizing feature map, SOFM) es un tipo de red neuronal artificial (ANN por sus siglas en inglés), que es entrenada usando aprendizaje no supervisado para producir una representación discreta del espacio de las muestras de entrada, llamado mapa. de las muestras de entrada, llamado mapa.
, O algoritmo de Kohonen foi desenvolvido po … O algoritmo de Kohonen foi desenvolvido por Teuvo Kohonen em 1982, sendo considerado relativamente simples e com a capacidade de organizar dimensionalmente dados complexos em grupos (clusters), de acordo com suas relações. Este método solicita apenas os parâmetros de entrada, mostrando-se ideal para problemas onde os padrões são desconhecidos ou indeterminados. Este algoritmo é considerado um mapa auto-organizável (da sigla SOM, Self-organized map, em inglês), capaz de diminuir a dimensão de um grupo de dados, conseguindo manter a representação real com relação as propriedades relevantes dos vetores de entrada, tendo-se como resultado um conjunto das características do espaço de entrada. Além disso, possui a propriedade de transformar um mapa multidimensional em bidimensional, adicionando os elementos ao novo mapa de tal forma que os objetos similares sejam posicionados próximos uns dos outros. Apresenta duas importantes características: utiliza aproximação dos pontos similares onde os mesmos são processados separadamente e permite ao mapa obter centros em um plano bidimensional disponibilizando uma visualização facilmente compreensível. O algoritmo de Kohonen ordena os objetos i, frequentemente organizados em uma grade retangular, atribuindo-os ao vetor modelo, denominado mi, no espaço multidimensional. Cada item xk é mapeado para a unidade do mapa ck mais adequada, conforme a menor distância entre mi e xk definida pela fórmula [2]:ck = argmin i xk – mi Este algoritmo utiliza o método de aprendizagem por competição (competitive learning), considerado o mais comum nas RNA auto-organizáveis, permitindo que aconteça o aprendizado dividindo-se os padrões de entrada dos dados em conjuntos inseparáveis. Este método avalia os neurônios de saída da rede de maneira que ocorra uma competição entre eles, tendo-se como resultado o neurônio que possui maior ativação. A rede neural de Kohonen é composta por duas camadas: a de entrada e de Kohonen. Cada nó da camada de entrada tem a função de distribuir os valores padrões para a de Kohonen, que é um conjunto de nodos organizados de forma tabular. O vetor de entrada possui seus elementos conectados com cada nó da camada Kohonen por meio de ligações, as quais são responsáveis por manterem atualizados os valores durante o processo de treinamento da RNA. durante o processo de treinamento da RNA.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Synapse_Self-Organizing_Map.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageID
|
76996
|
| http://dbpedia.org/ontology/wikiPageLength
|
31992
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1121170588
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Learning_rate +
, http://dbpedia.org/resource/Neural_gas +
, http://dbpedia.org/resource/Eigenvectors +
, http://dbpedia.org/resource/Exploratory_data_analysis +
, http://dbpedia.org/resource/Approximation_error +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Liquid_state_machine +
, http://dbpedia.org/resource/Finland +
, http://dbpedia.org/resource/File:SOM_of_Fishers_Iris_flower_data_set.JPG +
, http://dbpedia.org/resource/File:SOM_of_RGB_and_eight_colors.JPG +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Learning_Vector_Quantization +
, http://dbpedia.org/resource/File:SOMsPCA.PNG +
, http://dbpedia.org/resource/File:TrainSOM.gif +
, http://dbpedia.org/resource/Fisher%27s_Iris +
, http://dbpedia.org/resource/Hybrid_Kohonen_SOM +
, http://dbpedia.org/resource/Time_adaptive_self-organizing_map +
, http://dbpedia.org/resource/File:Synapse_Self-Organizing_Map.png +
, http://dbpedia.org/resource/U-Matrix +
, http://dbpedia.org/resource/File:Somtraining.svg +
, http://dbpedia.org/resource/Oriented_and_scalable_map +
, http://dbpedia.org/resource/File:Self_oraganizing_map_cartography.jpg +
, http://dbpedia.org/resource/Failure_mode_and_effects_analysis +
, http://dbpedia.org/resource/Unit_cube +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://dbpedia.org/resource/Gradient_descent +
, http://dbpedia.org/resource/Bootstrap_sampling +
, http://dbpedia.org/resource/Euclidean_distance +
, http://dbpedia.org/resource/Resampling_%28statistics%29 +
, http://dbpedia.org/resource/Topological_data_analysis +
, http://dbpedia.org/resource/Rectangular +
, http://dbpedia.org/resource/Elastic_map +
, http://dbpedia.org/resource/Monotonically_decreasing +
, http://dbpedia.org/resource/Cerebral_cortex +
, http://dbpedia.org/resource/Least_squares +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Feature_extraction +
, http://dbpedia.org/resource/Alan_Turing +
, http://dbpedia.org/resource/Principal_components_analysis +
, http://dbpedia.org/resource/Morphogenesis +
, http://dbpedia.org/resource/Principal_component +
, http://dbpedia.org/resource/Elastic_energy +
, http://dbpedia.org/resource/Neocognitron +
, http://dbpedia.org/resource/Gaussian_function +
, http://dbpedia.org/resource/Category:Finnish_inventions +
, http://dbpedia.org/resource/Category:Cluster_analysis_algorithms +
, http://dbpedia.org/resource/Sparse_coding +
, http://dbpedia.org/resource/Sense +
, http://dbpedia.org/resource/Dimensionality_reduction +
, http://dbpedia.org/resource/Teuvo_Kohonen +
, http://dbpedia.org/resource/Free_module +
, http://dbpedia.org/resource/Growing_self-organizing_map +
, http://dbpedia.org/resource/Category:Dimension_reduction +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Mexican_hat_wavelet +
, http://dbpedia.org/resource/Human_brain +
, http://dbpedia.org/resource/Topology +
, http://dbpedia.org/resource/Competitive_learning +
, http://dbpedia.org/resource/Hexagonal +
, http://dbpedia.org/resource/Spline_interpolation +
, http://dbpedia.org/resource/Sparse_distributed_memory +
, http://dbpedia.org/resource/Nonlinear_dimensionality_reduction +
, http://dbpedia.org/resource/Generative_topographic_map +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Math +
, http://dbpedia.org/resource/Template:Mvar +
, http://dbpedia.org/resource/Template:Original_research +
, http://dbpedia.org/resource/Template:Authority_control +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:Commons_category +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Cleanup +
, http://dbpedia.org/resource/Template:Unreferenced_section +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Cluster_analysis_algorithms +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Category:Finnish_inventions +
, http://dbpedia.org/resource/Category:Dimension_reduction +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Network +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Self-organizing_map?oldid=1121170588&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Synapse_Self-Organizing_Map.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/TrainSOM.gif +
, http://commons.wikimedia.org/wiki/Special:FilePath/Self_oraganizing_map_cartography.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Somtraining.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/SOM_of_Fishers_Iris_flower_data_set.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/SOM_of_RGB_and_eight_colors.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/SOMsPCA.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Self-organizing_map +
|
| owl:sameAs |
http://yago-knowledge.org/resource/Self-organizing_map +
, http://fr.dbpedia.org/resource/Carte_autoadaptative +
, http://fi.dbpedia.org/resource/Itseorganisoituva_kartta +
, http://ru.dbpedia.org/resource/%D0%A1%D0%B0%D0%BC%D0%BE%D0%BE%D1%80%D0%B3%D0%B0%D0%BD%D0%B8%D0%B7%D1%83%D1%8E%D1%89%D0%B0%D1%8F%D1%81%D1%8F_%D0%BA%D0%B0%D1%80%D1%82%D0%B0_%D0%9A%D0%BE%D1%85%D0%BE%D0%BD%D0%B5%D0%BD%D0%B0 +
, http://rdf.freebase.com/ns/m.0k6rk +
, https://global.dbpedia.org/id/BpGH +
, http://he.dbpedia.org/resource/%D7%A8%D7%A9%D7%AA_%D7%A7%D7%95%D7%94%D7%95%D7%A0%D7%9F +
, http://cs.dbpedia.org/resource/Samoorganizuj%C3%ADc%C3%AD_s%C3%AD%C5%A5 +
, http://ar.dbpedia.org/resource/%D8%AE%D8%B1%D9%8A%D8%B7%D8%A9_%D8%B0%D8%A7%D8%AA%D9%8A%D8%A9_%D8%A7%D9%84%D8%AA%D9%86%D8%B8%D9%8A%D9%85 +
, http://es.dbpedia.org/resource/Mapa_autoorganizado +
, http://ja.dbpedia.org/resource/%E8%87%AA%E5%B7%B1%E7%B5%84%E7%B9%94%E5%8C%96%E5%86%99%E5%83%8F +
, http://de.dbpedia.org/resource/Selbstorganisierende_Karte +
, http://zh.dbpedia.org/resource/%E8%87%AA%E7%BB%84%E7%BB%87%E6%98%A0%E5%B0%84 +
, http://www.wikidata.org/entity/Q1136838 +
, http://ko.dbpedia.org/resource/%EC%9E%90%EA%B8%B0%EC%A1%B0%EC%A7%81%ED%99%94_%EC%A7%80%EB%8F%84 +
, http://sl.dbpedia.org/resource/Samoorganizirajo%C4%8De_karte +
, http://pl.dbpedia.org/resource/Sie%C4%87_Kohonena +
, http://it.dbpedia.org/resource/Self-Organizing_Map +
, http://uk.dbpedia.org/resource/%D0%A1%D0%B0%D0%BC%D0%BE%D0%BE%D1%80%D0%B3%D0%B0%D0%BD%D1%96%D0%B7%D0%B0%D1%86%D1%96%D0%B9%D0%BD%D0%B0_%D0%9A%D0%B0%D1%80%D1%82%D0%B0_%D0%9A%D0%BE%D1%85%D0%BE%D0%BD%D0%B5%D0%BD%D0%B0 +
, http://fa.dbpedia.org/resource/%D9%86%D9%82%D8%B4%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C_%D8%AE%D9%88%D8%AF%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86%E2%80%8C%D8%AF%D9%87%D9%86%D8%AF%D9%87 +
, http://vi.dbpedia.org/resource/B%E1%BA%A3n_%C4%91%E1%BB%93_t%E1%BB%B1_t%E1%BB%95_ch%E1%BB%A9c +
, http://pt.dbpedia.org/resource/Mapas_de_Kohonen +
, http://dbpedia.org/resource/Self-organizing_map +
|
| rdf:type |
http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/ontology/Broadcaster +
, http://dbpedia.org/class/yago/Description106724763 +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/Specification106725067 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/WikicatDataClusteringAlgorithms +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
, http://dbpedia.org/class/yago/Datum105816622 +
, http://dbpedia.org/class/yago/Cognition100023271 +
, http://dbpedia.org/class/yago/WikicatNeuralNetworks +
, http://dbpedia.org/class/yago/Information105816287 +
|
| rdfs:comment |
Самоорганизу́ющаяся ка́рта Ко́хонена (англ … Самоорганизу́ющаяся ка́рта Ко́хонена (англ. Self-organizing map — SOM) — нейронная сеть с обучением без учителя, выполняющая задачу визуализации и кластеризации. Идея сети предложена финским учёным Т. Кохоненом. Является методом проецирования многомерного пространства в пространство с более низкой размерностью (чаще всего, двумерное), применяется также для решения задач моделирования, прогнозирования, выявление наборов независимых признаков, поиска закономерностей в больших массивах данных, разработке компьютерных игр, квантизации цветов к их ограниченному числу индексов в цветовой палитре: при печати на принтере и ранее на ПК или же на приставках с дисплеем с пониженным числом цветов, для архиваторов [общего назначения] или видео-кодеков, и прч. Является одной из версий нейронных сетей КЯвляется одной из версий нейронных сетей К
, 자기조직화지도(Self-organizing map (SOM))는
* 대뇌피 … 자기조직화지도(Self-organizing map (SOM))는
* 대뇌피질의 시각피질을 모델화한 인공신경망의 일종이다.
* 비교사 학습에 의한 클러스터링 방법의 하나이다.
* 차원을 줄여서 하는 방법의 하나이다. 자기조직화맵이라고도 한다. 인공지능망의 일종인 자기조직화맵은 자율학습의 방법으로 훈련이 되며, 저차원(보통 2차원)의 지도를 생성한다. 이 지도는 입력공간에서 주어진 훈련 샘플에 대한 이산적인 표현을 나타내며, 입력 공간에 대한 위상(topological) 속성을 보존하려고 한다. SOM은 고차원으로 표현된 데이터를 저차원으로 변환해서 보는 데 유용하다. 이 모델은 이 모델을 처음 고안한 핀란드의 과학자인 Teuvo Kohenen의 이름을 본따 Kohenen map 이라고 불리기도 한다. 다른 인공신경망과 같이, SOM은 훈련과 매핑의 두 가지 모드로 동작한다. 훈련은 입력 샘플을 이용해서 지도를 만드는 과정으로, 경쟁적이며, vector quantization 이라고도 불린다. 매핑 과정에서는 새로운 입력을 훈련 결과에 따라 자동적으로 분류한다..다. 매핑 과정에서는 새로운 입력을 훈련 결과에 따라 자동적으로 분류한다..
, Una mappa auto-organizzata o mappa auto-or … Una mappa auto-organizzata o mappa auto-organizzante, in inglese self-organizing map (SOM), è un tipo di organizzazione di processi di informazione in rete analoghi alle reti neurali artificiali. Sono addestrate usando l'apprendimento non supervisionato per produrre una rappresentazione dei campioni di training in uno spazio a bassa dimensione preservando le proprietà topologiche dello spazio degli ingressi. Questa proprietà rende le SOM particolarmente utili per la visualizzazione di dati di dimensione elevata. Il modello fu inizialmente descritto dal professore finlandese Teuvo Kohonen e spesso ci si riferisce a questo modello come mappe di Kohonen.ce a questo modello come mappe di Kohonen.
, شبكات كوهونين ذاتية التنظيم أو خريطة الخصا … شبكات كوهونين ذاتية التنظيم أو خريطة الخصائص ذاتية التنطيم أو الخريطة ذاتية التنظبم -و هو الأسم الأكثر شهرة- هي إحدى أنواع الشبكات العصبونية الاصطناعية التي تعتمد على مبدأ التعلم غير المراقب وتستخدم في مجالات متعددة نذكر منها التصنيف وتقليل أو تخفيض الأبعاد. تتكون الخريطة ذاتية التنظيم Self Organizing Maps SOM من مجموعة من العصبونات Neurons المنتظمة على شكل مصفوفة أو مشبك أحادي، ثنائي، أو ثلاثي الأبعاد. العالم الفنلندي Teuvo Kohonen هو أول من صاغ هذا النموذج بشكله الحالي اعتمادا على نماذج أخرى تم تقديمها كنظريات لفهم العمليات الحاصلة في العصب البصري للإنسان والفقاريات المتقدمة. العصب البصري للإنسان والفقاريات المتقدمة.
, Самоорганізаційна карта Кохонена (англ. Se … Самоорганізаційна карта Кохонена (англ. Self-organizing map — SOM) — нейронна мережа з некерованим навчанням, яка використовується для конструювання багатовимірного простору в простір з нижчою розмірністю (найчастіше, двовимірний). Створює дискретне представлення вхідних просторів навчальних вибірок, які називаються картою (англ. map), і тому використання цього типу нейронної мережі є методом для зниження розмірності. Самоорганізовані карти відрізняються від інших штучних нейронних мереж, оскільки вони застосовують конкурентне навчання, яке є протилежним до навчання з виправленням помилок (наприклад, метод зворотного поширення помилки з градієнтним спуском), і в тому сенсі, що вони використовують функцію сусідства для збереження топологічних властивостей вхідного простору.пологічних властивостей вхідного простору.
, 自组织映射（SOM）或自组织特征映射（SOFM）是一种使用非監督式學習来产生训练样本的输入空间的一个低维（通常是二维）离散化的表示的人工神经网络（ANN）。自组织映射与其他人工神经网络的不同之处在于它使用一个邻近函数来保持输入空间的拓扑性质。
, O algoritmo de Kohonen foi desenvolvido po … O algoritmo de Kohonen foi desenvolvido por Teuvo Kohonen em 1982, sendo considerado relativamente simples e com a capacidade de organizar dimensionalmente dados complexos em grupos (clusters), de acordo com suas relações. Este método solicita apenas os parâmetros de entrada, mostrando-se ideal para problemas onde os padrões são desconhecidos ou indeterminados. Além disso, possui a propriedade de transformar um mapa multidimensional em bidimensional, adicionando os elementos ao novo mapa de tal forma que os objetos similares sejam posicionados próximos uns dos outros.ejam posicionados próximos uns dos outros.
, Un mapa autoorganizado (en inglés, self-or … Un mapa autoorganizado (en inglés, self-organizing map, SOM) o un mapa autoorganizado de características (self-organizing feature map, SOFM) es un tipo de red neuronal artificial (ANN por sus siglas en inglés), que es entrenada usando aprendizaje no supervisado para producir una representación discreta del espacio de las muestras de entrada, llamado mapa. de las muestras de entrada, llamado mapa.
, Als Selbstorganisierende Karten, Kohonenka … Als Selbstorganisierende Karten, Kohonenkarten oder Kohonennetze (nach Teuvo Kohonen; englisch self-organizing map, SOM bzw. self-organizing feature map, SOFM) bezeichnet man eine Art von künstlichen neuronalen Netzen. Sie sind als unüberwachtes Lernverfahren ein leistungsfähiges Werkzeug des Data-Mining. Ihr Funktionsprinzip beruht auf der biologischen Erkenntnis, dass viele Strukturen im Gehirn eine lineare oder planare Topologie aufweisen. Die Signale des Eingangsraums, z. B. visuelle Reize, sind jedoch multidimensional.uelle Reize, sind jedoch multidimensional.
, A self-organizing map (SOM) or self-organi … A self-organizing map (SOM) or self-organizing feature map (SOFM) is an unsupervised machine learning technique used to produce a low-dimensional (typically two-dimensional) representation of a higher dimensional data set while preserving the topological structure of the data. For example, a data set with variables measured in observations could be represented as clusters of observations with similar values for the variables. These clusters then could be visualized as a two-dimensional "map" such that observations in proximal clusters have more similar values than observations in distal clusters. This can make high-dimensional data easier to visualize and analyze.onal data easier to visualize and analyze.
, Sieć Kohonena, inaczej SOM (z ang. Self Organizing Map – mapa samoorganizująca) – rodzaj sztucznej sieci neuronowej realizującej uczenie nienadzorowane. Zaprezentowana po raz pierwszy w 1982 roku przez fińskiego uczonego .
, Samoorganizující (Kohonenova) síť je typ d … Samoorganizující (Kohonenova) síť je typ dvouvrstvé umělé neuronové sítě pracující na principu učení bez učitele. Vynalezl ji finský vědec Teuvo Kohonen. Neurony této sítě jsou prostorově uspořádány a mají definováno okolí, své nejbližší neurony. Jako jejich topologická struktura se obvykle používá dvojrozměrná obdélníková nebo hexagonální oblast. Jeden krok učení vypadá tak, že se síti předloží vstupní vzor, nalezne se jemu nejbližší (gain) neuron (pomocí laterální inhibice), a poloha tzv. váhového vektoru tohoto neuronu i neuronů z jeho topologického okolí se upraví tak, aby tyto vektory ležely o něco blíže předloženému vzoru. Během postupného předkládání vstupních vzorů se umístění váhových vektorů neuronů distribuuje do vstupních dat a tuto distribuci promítá do typicky dvojrozměrnéhostribuci promítá do typicky dvojrozměrného
, Les cartes autoadaptatives, cartes auto-or … Les cartes autoadaptatives, cartes auto-organisatrices ou cartes topologiques forment une classe de réseau de neurones artificiels fondée sur des méthodes d'. Elles sont souvent désignées par le terme anglais self organizing maps (SOM), ou encore cartes de Kohonen du nom du statisticien ayant développé le concept en 1984. La littérature utilise aussi les dénominations : « réseau de Kohonen », « réseau autoadaptatif » ou « réseau autoorganisé ».utoadaptatif » ou « réseau autoorganisé ».
, 自己組織化写像（じこそしきかしゃぞう、英: Self-organizing maps … 自己組織化写像（じこそしきかしゃぞう、英: Self-organizing maps, SOM, Self-organizing feature maps, SOFM）はニューラルネットワークの一種であり、大脳皮質の視覚野をモデル化したものである。自己組織化写像はコホネンによって提案されたモデルであり、教師なし学習によって入力データを任意の次元へ写像することができる。主に1～3次元への写像に用いられ、多次元のデータの可視化が可能である。出力となる空間をマップ (map)、競合層 (competitive layer)、もしくは出力層 (output layer) と呼ぶ。出力層に対して入力データの空間を入力層(input layer)と呼ぶこともある。自己組織化写像はコホネンマップ (Kohonen map)、コホネンネットワーク (Kohonen network)、自己組織化マップ、ソム (SOM) などと呼ぶこともある。 自己組織化写像は複数の人工ニューロンが接続された構造である。この人工ニューロンはノード (node)、もしくはユニット (unit) と呼ぶこともある。ニューロンはノード (node)、もしくはユニット (unit) と呼ぶこともある。
|
| rdfs:label |
خريطة ذاتية التنظيم
, Carte autoadaptative
, Samoorganizující síť
, Mapa autoorganizado
, Самоорганизующаяся карта Кохонена
, 自组织映射
, 自己組織化写像
, Sieć Kohonena
, Self-organizing map
, Mapas de Kohonen
, Self-Organizing Map
, 자기조직화 지도
, Selbstorganisierende Karte
, Самоорганізаційна Карта Кохонена
|
