| http://dbpedia.org/ontology/abstract
|
Unsupervised learning is a type of algorit … Unsupervised learning is a type of algorithm that learns patterns from untagged data. The hope is that through mimicry, which is an important mode of learning in people, the machine is forced to build a concise representation of its world and then generate imaginative content from it. In contrast to supervised learning where data is tagged by an expert, e.g. tagged as a "ball" or "fish", unsupervised methods exhibit self-organization that captures patterns as probability densities or a combination of neural feature preferences encoded in the machine's weights and activations. The other levels in the supervision spectrum are reinforcement learning where the machine is given only a numerical performance score as guidance, and semi-supervised learning where a small portion of the data is tagged.ere a small portion of the data is tagged.
, 無監督學習（英語：unsupervised learning），又稱非監督式學習，是 … 無監督學習（英語：unsupervised learning），又稱非監督式學習，是機器學習的一種方法，沒有給定事先標記過的訓練範例，自動對輸入的資料進行分類或分群。無監督學習的主要運用包含：聚类分析（cluster analysis）、關聯規則（association rule）、維度縮減（dimensionality reduce）。它是監督式學習和強化學習等策略之外的一種選擇。 一個常見的無監督學習是数据聚类。在人工神經網路中，生成對抗網絡（GAN）、自組織映射（SOM）和（ART）則是最常用的非監督式學習。 ART模型允許叢集的個數可隨著問題的大小而變動，並讓使用者控制成員和同一個叢集之間的相似度分數，其方式為透過一個由使用者自定而被稱為的常數。ART也用於模式識別，如和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。式識別，如和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。
, Обучение без учителя (самообучение, спонта … Обучение без учителя (самообучение, спонтанное обучение, англ. Unsupervised learning) — один из способов машинного обучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора. С точки зрения кибернетики, это является одним из видов кибернетического эксперимента. Как правило, это пригодно только для задач, в которых известны описания множества объектов (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости, закономерности, существующие между объектами. Обучение без учителя часто противопоставляется обучению с учителем, когда для каждого обучающего объекта принудительно задаётся «правильный ответ», и требуется найти зависимость между стимулами и реакциями системы.мость между стимулами и реакциями системы.
, Unüberwachtes Lernen (englisch unsupervise … Unüberwachtes Lernen (englisch unsupervised learning) bezeichnet maschinelles Lernen ohne im Voraus bekannte Zielwerte sowie ohne Belohnung durch die Umwelt. Die (Lern-)Maschine versucht, in den Eingabedaten Muster zu erkennen, die vom strukturlosen Rauschen abweichen.Ein Künstliches neuronales Netz orientiert sich an der Ähnlichkeit zu den Inputwerten und adaptiert die Gewichte entsprechend.Es können verschiedene Dinge gelernt werden. Beliebt sind die automatische Segmentierung (Clustering) oder die Komprimierung von Daten zur Dimensionsreduktion.mierung von Daten zur Dimensionsreduktion.
, Pembelajaran tak terarah adalah teknik pem … Pembelajaran tak terarah adalah teknik pembelajaran mesin di mana kita tidak perlu mengawasi modelnya namun kita perlu mengizinkan model bekerja sendiri untuk menemukan informasi yang dibutuhkan. Hal ini terutama berkaitan dengan data tanpa label. Algoritma pembelajaran tak terarah memungkinkan kita melakukan tugas pemrosesan yang lebih kompleks dibandingkan dengan pembelajaran terarah. Meskipun, pembelajaran tak terarah bisa lebih tak terduga dibandingkan dengan pembelajaran alami lainnya dalam pembelajaran dan metode reinforcement learning. Pembelajaran mesin tak terarah dapat menemukan semua jenis pola yang tidak diketahui dalam data. Metode yang tak terarah ini dapat membantu menemukan fitur yang berguna untuk pengelompokan. Pengelompokan ini dapat berlangsung secara real time, sehingga semua data masukan dianalisis dan diberi label. Realitanya, lebih mudah untuk mendapatkan data tidak berlabel dari komputer daripada data berlabel yang membutuhkan intervensi manual. Zoubin Ghahramani menyatakan dalam tulisannya yang disunting lebih dari 530 kali, bahwa ia menjelaskan secara ringkas mengenai pemelajaran tak terarah dari sudut pandang pemodelan statistic. Pemelajaran tak terarah terinspirasi dari teori informasi dan prinsip Bayesian. Ghahramani menjelaskan scara ringkas model dasar pada pemelajaran tak terarah meliputi Analisa faktor, Principal Component Analysis (PCA), percampuran Gaussian, Hidden Markov Model, ruang-status model, dan berbagai variasi tambahan. Ia menurunkan algoritma EM dan memberikan tinjauan singkat mengenai konsep dasar model grafis, dan algoritma inferensi grafis. Ia juga memberikan pemelajaran singkat mengenai perkiraan inferensi Bayesian yang dimana juga termasuk Markov Chain Monte Carlo (MCMC), Perkiraan Laplace, BIC, perkiraan variasi, dan Expectation Propagation (EP). Ia bertujuan dengan adanya karya nya ini agar ia dapat menyajikan pandangan dari sisi yang lebih tinggi dalam bidang ini.i sisi yang lebih tinggi dalam bidang ini.
, Η μη επιβλεπόμενη μάθηση αποτελεί κατηγορί … Η μη επιβλεπόμενη μάθηση αποτελεί κατηγορία της μηχανικής μάθησης, στόχος της οποίας είναι η ανακάλυψη πιθανής δομής που μπορεί να κρύβεται πίσω από μη χαρακτηρισμένα δεδομένα. Εφόσον τα παραδείγματα τα οποία χρησιμοποιούνται δεν είναι χαρακτηρισμένα, δεν υπάρχει σφάλμα ή σήμα ανταμοιβής για να αξιολογηθούν οι πιθανές λύσεις. Αυτό είναι που διακρίνει την μη-επιβλεπόμενη μάθηση από την επιβλεπόμενη μάθηση και την ενισχυτική (ημι-επιβλεπόμενη) μάθηση. την ενισχυτική (ημι-επιβλεπόμενη) μάθηση.
, Aprendizaje no supervisado es un método de … Aprendizaje no supervisado es un método de Aprendizaje Automático donde un modelo se ajusta a las observaciones. Se distingue del Aprendizaje supervisado por el hecho de que no hay un conocimiento a priori. En el aprendizaje no supervisado, un conjunto de datos de objetos de entrada es tratado. Así, el aprendizaje no supervisado típicamente trata los objetos de entrada como un conjunto de variables aleatorias, siendo construido un modelo de densidad para el conjunto de datos. El aprendizaje no supervisado se puede usar en conjunto con la Inferencia bayesiana para producir probabilidades condicionales (es decir, aprendizaje supervisado) para cualquiera de las variables aleatorias dadas. El Santo Grial del aprendizaje no supervisado es la creación de un de los datos, esto es, un código con componentes estadísticamente independientes. El aprendizaje supervisado normalmente funciona mucho mejor cuando los datos iniciales son primero traducidos en un código factorial. El aprendizaje no supervisado también es útil para la compresión de datos: fundamentalmente, todos los algoritmos de compresión dependen tanto explícita como implícitamente de una distribución de probabilidad sobre un conjunto de entrada. Otra forma de aprendizaje no supervisado es la agrupación (en inglés, clustering), el cual a veces no es probabilístico. La Teoría de resonancia adaptativa (ART) permite variar el número de agrupaciones en función del tamaño del problema, permitiendo al usuario el control del grado de similitud entre miembros de las mismas agrupaciones en términos de una constante definida por el usuario llamada el . Las redes ART se usan también en muchas tareas de reconocimiento de patrones, como el reconocimiento automático de objetivos o el procesamiento de señales sísmicas. La primera versión de ART fue "ART1", desarrollada por Carpenter y Grossberg (1988).rrollada por Carpenter y Grossberg (1988).
, 비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으 … 비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속한다. 이 방법은 지도 학습(Supervised Learning) 혹은 강화 학습(Reinforcement Learning)과는 달리 입력값에 대한 목표치가 주어지지 않는다. 자율 학습은 통계의 (Density Estimation)과 깊은 연관이 있다. 이러한 자율 학습은 데이터의 주요 특징을 요약하고 설명할 수 있다. 자율 학습의 예로는 (Clustering)을 들 수 있다. 또 다른 하나의 예로는 독립 성분 분석(Independent Component Analysis)이 있다.성분 분석(Independent Component Analysis)이 있다.
, Навчання без вчителя (англ. Unsupervised l … Навчання без вчителя (англ. Unsupervised learning, самоосвіта, спонтанне навчання) — один зі способів машинного навчання, при вирішенні яких випробовувана система спонтанно навчається виконувати поставлене завдання, без втручання з боку експериментатора. З точки зору кібернетики, є одним з видів кібернетичного експерименту. Як правило, це підходить тільки для задач, в яких відомий опис множини об'єктів (навчальна вибірка), і необхідно виявити внутрішні взаємозв'язки, залежності, закономірності, що існують між об'єктами. Навчання без вчителя часто протиставляється навчанню з учителем, коли для кожного об'єкта, що навчається, примусово задається «правильна відповідь», і потрібно знайти залежність між стимулами та реакціями системи.жність між стимулами та реакціями системи.
, L'apprendimento non supervisionato è una t … L'apprendimento non supervisionato è una tecnica di apprendimento automatico che consiste nel fornire al sistema informatico una serie di input (esperienza del sistema) che egli riclassificherà ed organizzerà sulla base di caratteristiche comuni per cercare di effettuare ragionamenti e previsioni sugli input successivi. Al contrario dell'apprendimento supervisionato, durante l'apprendimento vengono forniti all'apprendista solo esempi non annotati, in quanto le classi non sono note a priori ma devono essere apprese automaticamente. ma devono essere apprese automaticamente.
, L'aprenentatge no supervisat ("unsupervise … L'aprenentatge no supervisat ("unsupervised learning" en anglès) és un camp de l'aprenentatge automàtic format per algoritmes que aprenen patrons a partir de dades no etiquetades. A diferència de l'aprenentatge supervisat on hi ha un expert que etiqueta les dades, a l'aprenentatge no supervisat la idea és que els algoritmes siguin capaços de descobrir patrons i/o agrupacions en les dades sense la necessitat d'intervenció humana. La capacitat d'aquests algoritmes per descobrir similituds i diferències en les dades sense la necessitat d'un expert els converteixen en la solució ideal per a problemes d'anàlisi exploratòria de dades, estratègies de venda creuada, segmentació de clients i reconeixement d'imatges. Els mètodes més utilitzats dins del camp de l'aprenentatge no supervisat són els algorismes de agrupació, regles d'associació i la reducció de dimensionalitat.sociació i la reducció de dimensionalitat.
, التعلم غير المراقب أو التعلم الاستنتاجي (ب … التعلم غير المراقب أو التعلم الاستنتاجي (بالإنجليزية: Unsupervised learning) هو أحد الفروع الرئيسية في مجال تعلم الآلة و الذكاء الاصطناعي و الشبكات العصبونية الاصطناعية يهتم بخوارزميات تعلم الآلة عن طريق تمييز أنماط البيانات بدون أن تكون هذه البيانات معنونة. وهو عكس التعليم المُراقب (Supervised learning) أو التعليم المعزز (Reinforcement learning). من التطبيقات الأساسية للتعلم غير المراقب هو تقدير الكثافة للبيانات لإيجاد القواسم المشتركة بين العناصر وتصنيفها إحصائياً. وإذا ما قورن بالتعلم المُراقب فيكمن القول بأن الفرق بينهما أن الأول (غير المراقب) يعمل على استنتاج توزيع أولي للبيانات وأما الآخر فيعمل على استنتاج توزيع بياني مشروط بمعرفة عوامل إضافية.تاج توزيع بياني مشروط بمعرفة عوامل إضافية.
, Dans le domaine informatique et de l'intel … Dans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite. Ainsi, les méthodes non supervisées présentent une auto-organisation qui capture les modèles comme des densités de probabilité ou, dans le cas des réseaux de neurones, comme combinaison de préférences de caractéristiques neuronales encodées dans les poids et les activations de la machine. Les autres niveaux du spectre de supervision sont l'apprentissage par renforcement où la machine ne reçoit qu'un score de performance numérique comme guide, et l'apprentissage semi-supervisé où une petite partie des données est étiquetée. L'introduction dans un système d'une approche d'apprentissage non supervisé est un moyen d'expérimenter l'intelligence artificielle. En général, des systèmes d'apprentissage non supervisé permettent d'exécuter des tâches plus complexes que les systèmes d'apprentissage supervisé, mais ils peuvent aussi être plus imprévisibles. Même si un système d'IA d'apprentissage non supervisé parvient tout seul, par exemple, à faire le tri entre des chats et des chiens, il peut aussi ajouter des catégories inattendues et non désirées, et classer des races inhabituelles, introduisant plus de bruit que d'ordre.s, introduisant plus de bruit que d'ordre.
, 教師なし学習（きょうしなしがくしゅう, 英: Unsupervised Learni … 教師なし学習（きょうしなしがくしゅう, 英: Unsupervised Learning）とは、機械学習の手法の一つである。「出力すべきもの」があらかじめ決まっていないという点で教師あり学習とは大きく異なる。データの背後に存在する本質的な構造を抽出するために用いられる。 教師あり学習は、その「出力すべきもの」も入力として与える手法であり、データの背後に存在する本質的な構造を抽出するよりむしろ、思い通りの出力を再現する機械の構成に用いられる。 具体的な例として以下のようなものがある。
* クラスター分析
* 主成分分析
* ベクトル量子化
* 自己組織化マップ
* クラスター分析
* 主成分分析
* ベクトル量子化
* 自己組織化マップ
, Uczenie nienadzorowane – rodzaj uczenia ma … Uczenie nienadzorowane – rodzaj uczenia maszynowego, którego zadaniem jest odkrywanie w zbiorze danych wzorców bez wcześniej istniejących etykiet i przy minimalnej ingerencji człowieka. Uczenie nienadzorowane zakłada brak obecności oczekiwanego wyjścia w danych uczących. W przeciwieństwie do uczenia nadzorowanego, które zwykle wykorzystuje dane oznaczone przez człowieka, uczenie nienadzorowane umożliwia modelowanie gęstości prawdopodobieństwa danych wejściowych. Uczenie nienadzorowane stanowi, wraz z uczeniem nadzorowanym i uczeniem przez wzmacnianie, jedną z trzech głównych kategorii uczenia maszynowego. Wariantem pośrednim pomiędzy uczeniem nadzorowanym i uczeniem nienadzorowanym są techniki uczenie częściowo nadzorowanego. Dwie główne metody stosowane w uczeniu nienadzorowanym to analiza składowych głównych oraz analiza skupień. Analiza składowych głównych jest wykorzystywana do zmniejszania wymiarowości danych poprzez odkrywanie i odrzucanie cech które niosą ze sobą najmniej informacji. Analiza skupień jest wykorzystywana w celu grupowania lub segmentowania zestawów danych ze wspólnymi atrybutami w celu ekstrapolacji występujących w nich zależności. Analiza skupień identyfikuje podobieństwa w danych i pozwala na grupowanie danych, które nie zostały oznaczone, sklasyfikowane ani skategoryzowane. Ponieważ analiza skupień bazuje na obecności lub braku takich podobieństw w nowej danych, może być wykorzystana aby wykryć nietypowe dane, które nie pasują do żadnej grupy.we dane, które nie pasują do żadnej grupy.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Task-guidance.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://archive.org/details/springer_10.1007-b100712 +
, https://link.springer.com/chapter/10.1007/978-0-387-84858-7_14 +
|
| http://dbpedia.org/ontology/wikiPageID
|
233497
|
| http://dbpedia.org/ontology/wikiPageLength
|
25742
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1122854118
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Meta-learning_%28computer_science%29 +
, http://dbpedia.org/resource/DBSCAN +
, http://dbpedia.org/resource/File:VAE_blocks.png +
, http://dbpedia.org/resource/File:Autoencoder_schema.png +
, http://dbpedia.org/resource/Local_Outlier_Factor +
, http://dbpedia.org/resource/Automated_machine_learning +
, http://dbpedia.org/resource/Weak_supervision +
, http://dbpedia.org/resource/Multivariate_analysis +
, http://dbpedia.org/resource/Statistics +
, http://dbpedia.org/resource/Neural_network +
, http://dbpedia.org/resource/Cluster_analysis +
, http://dbpedia.org/resource/A_priori_probability +
, http://dbpedia.org/resource/Latent_variable_model +
, http://dbpedia.org/resource/K-means +
, http://dbpedia.org/resource/Singular_value_decomposition +
, http://dbpedia.org/resource/Mean +
, http://dbpedia.org/resource/Labeled_data +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Principal_component_analysis +
, http://dbpedia.org/resource/Expectation%E2%80%93maximization_algorithm +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/Reinforcement_learning +
, http://dbpedia.org/resource/Generative_topographic_map +
, http://dbpedia.org/resource/Spike-timing-dependent_plasticity +
, http://dbpedia.org/resource/Donald_Hebb +
, http://dbpedia.org/resource/Covariance_matrix +
, http://dbpedia.org/resource/Variational_Bayesian_methods +
, http://dbpedia.org/resource/Geoffrey_Hinton +
, http://dbpedia.org/resource/Tensors +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/Non-negative_matrix_factorization +
, http://dbpedia.org/resource/Hierarchical_clustering +
, http://dbpedia.org/resource/MIT_Press +
, http://dbpedia.org/resource/OPTICS_algorithm +
, http://dbpedia.org/resource/Venn_diagram +
, http://dbpedia.org/resource/Topic_modeling +
, http://dbpedia.org/resource/Terry_Sejnowski +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Density_estimation +
, http://dbpedia.org/resource/Data_clustering +
, http://dbpedia.org/resource/Method_of_moments_%28statistics%29 +
, http://dbpedia.org/resource/Mixture_models +
, http://dbpedia.org/resource/File:Hopfield-net-vector.svg +
, http://dbpedia.org/resource/File:Boltzmannexamplev1.png +
, http://dbpedia.org/resource/Radial_basis_function_network +
, http://dbpedia.org/resource/Variational_autoencoder +
, http://dbpedia.org/resource/Independent_component_analysis +
, http://dbpedia.org/resource/Automatic_target_recognition +
, http://dbpedia.org/resource/Pattern_recognition +
, http://dbpedia.org/resource/Conditional_probability_distribution +
, http://dbpedia.org/resource/Semi-supervised_learning +
, http://dbpedia.org/resource/Helmholtz_machine +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Adaptive_resonance_theory +
, http://dbpedia.org/resource/Hebbian_learning +
, http://dbpedia.org/resource/Blind_signal_separation +
, http://dbpedia.org/resource/File:Restricted_Boltzmann_machine.svg +
, http://dbpedia.org/resource/File:Stacked-boltzmann.png +
, http://dbpedia.org/resource/Deep_Belief_Network +
, http://dbpedia.org/resource/Boltzmann_Machine +
, http://dbpedia.org/resource/Self-organizing_map +
, http://dbpedia.org/resource/File:Helmholtz_Machine.png +
, http://dbpedia.org/resource/File:Task-guidance.png +
, http://dbpedia.org/resource/Isolation_Forest +
, http://dbpedia.org/resource/Hopfield_Network +
, http://dbpedia.org/resource/Anomaly_detection +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Differentiable_computing +
, http://dbpedia.org/resource/Template:Refbegin +
, http://dbpedia.org/resource/Template:Refend +
, http://dbpedia.org/resource/Template:Glossary_end +
, http://dbpedia.org/resource/Template:Defn +
, http://dbpedia.org/resource/Template:Glossary +
, http://dbpedia.org/resource/Template:Term +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:Authority_control +
, http://dbpedia.org/resource/Template:See_also +
, http://dbpedia.org/resource/Template:Cite_book +
, http://dbpedia.org/resource/Template:Reflist +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Category:Machine_learning +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Machine +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Unsupervised_learning?oldid=1122854118&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Autoencoder_schema.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Task-guidance.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/VAE_blocks.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Boltzmannexamplev1.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Restricted_Boltzmann_machine.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Helmholtz_Machine.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Stacked-boltzmann.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Hopfield-net-vector.svg +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Unsupervised_learning +
|
| owl:sameAs |
http://ar.dbpedia.org/resource/%D8%AA%D8%B9%D9%84%D9%85_%D8%BA%D9%8A%D8%B1_%D9%85%D8%B1%D8%A7%D9%82%D8%A8 +
, http://ko.dbpedia.org/resource/%EB%B9%84%EC%A7%80%EB%8F%84_%ED%95%99%EC%8A%B5 +
, http://ckb.dbpedia.org/resource/%D9%81%DB%8E%D8%B1%D8%A8%D9%88%D9%88%D9%86%DB%8C_%DA%86%D8%A7%D9%88%D8%AF%DB%8E%D8%B1%DB%8C%D9%86%DB%95%DA%A9%D8%B1%D8%A7%D9%88 +
, http://zh.dbpedia.org/resource/%E7%84%A1%E7%9B%A3%E7%9D%A3%E5%AD%B8%E7%BF%92 +
, http://vi.dbpedia.org/resource/H%E1%BB%8Dc_kh%C3%B4ng_c%C3%B3_gi%C3%A1m_s%C3%A1t +
, http://ru.dbpedia.org/resource/%D0%9E%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B1%D0%B5%D0%B7_%D1%83%D1%87%D0%B8%D1%82%D0%B5%D0%BB%D1%8F +
, http://d-nb.info/gnd/4580265-8 +
, https://global.dbpedia.org/id/Cuib +
, http://tl.dbpedia.org/resource/Hindi_pinapatnubayang_pagkatuto +
, http://et.dbpedia.org/resource/Juhendamata_masin%C3%B5pe +
, http://th.dbpedia.org/resource/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%A1%E0%B8%B5%E0%B8%9C%E0%B8%B9%E0%B9%89%E0%B8%AA%E0%B8%AD%E0%B8%99 +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://id.dbpedia.org/resource/Pemelajaran_tak_terarah +
, http://it.dbpedia.org/resource/Apprendimento_non_supervisionato +
, http://el.dbpedia.org/resource/%CE%9C%CE%B7_%CE%B5%CF%80%CE%B9%CE%B2%CE%BB%CE%B5%CF%80%CF%8C%CE%BC%CE%B5%CE%BD%CE%B7_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 +
, http://fa.dbpedia.org/resource/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C_%D8%AE%D9%88%D8%AF%D8%B1%D8%A7%D9%86_%28%D8%AE%D9%88%D8%AF%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86%D8%AF%D9%87%29 +
, http://www.wikidata.org/entity/Q1152135 +
, http://de.dbpedia.org/resource/Un%C3%BCberwachtes_Lernen +
, http://fi.dbpedia.org/resource/Ohjaamaton_oppiminen +
, http://uk.dbpedia.org/resource/%D0%9D%D0%B0%D0%B2%D1%87%D0%B0%D0%BD%D0%BD%D1%8F_%D0%B1%D0%B5%D0%B7_%D1%83%D1%87%D0%B8%D1%82%D0%B5%D0%BB%D1%8F +
, http://es.dbpedia.org/resource/Aprendizaje_no_supervisado +
, http://ja.dbpedia.org/resource/%E6%95%99%E5%B8%AB%E3%81%AA%E3%81%97%E5%AD%A6%E7%BF%92 +
, http://fr.dbpedia.org/resource/Apprentissage_non_supervis%C3%A9 +
, http://he.dbpedia.org/resource/%D7%9C%D7%9E%D7%99%D7%93%D7%94_%D7%91%D7%9C%D7%AA%D7%99_%D7%9E%D7%95%D7%A0%D7%97%D7%99%D7%AA +
, http://tr.dbpedia.org/resource/G%C3%B6zetimsiz_%C3%B6%C4%9Frenme +
, http://cs.dbpedia.org/resource/U%C4%8Den%C3%AD_bez_u%C4%8Ditele +
, http://ca.dbpedia.org/resource/Aprenentatge_no_supervisat +
, http://rdf.freebase.com/ns/m.01hylt +
, http://pl.dbpedia.org/resource/Uczenie_nienadzorowane +
|
| rdf:type |
http://dbpedia.org/ontology/Software +
|
| rdfs:comment |
Dans le domaine informatique et de l'intel … Dans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite. Ainsi, les méthodes non supervisées présentent une auto-organisation qui capture les modèles comme des densités de probabilité ou, dans le cas des réseaux de neurones, comme combinaison de préférences de caractéristiques neuronales encodées dans les poids et les activations de la machine.es poids et les activations de la machine.
, L'apprendimento non supervisionato è una t … L'apprendimento non supervisionato è una tecnica di apprendimento automatico che consiste nel fornire al sistema informatico una serie di input (esperienza del sistema) che egli riclassificherà ed organizzerà sulla base di caratteristiche comuni per cercare di effettuare ragionamenti e previsioni sugli input successivi. Al contrario dell'apprendimento supervisionato, durante l'apprendimento vengono forniti all'apprendista solo esempi non annotati, in quanto le classi non sono note a priori ma devono essere apprese automaticamente. ma devono essere apprese automaticamente.
, Обучение без учителя (самообучение, спонта … Обучение без учителя (самообучение, спонтанное обучение, англ. Unsupervised learning) — один из способов машинного обучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора. С точки зрения кибернетики, это является одним из видов кибернетического эксперимента. Как правило, это пригодно только для задач, в которых известны описания множества объектов (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости, закономерности, существующие между объектами.ономерности, существующие между объектами.
, 비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으 … 비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속한다. 이 방법은 지도 학습(Supervised Learning) 혹은 강화 학습(Reinforcement Learning)과는 달리 입력값에 대한 목표치가 주어지지 않는다. 자율 학습은 통계의 (Density Estimation)과 깊은 연관이 있다. 이러한 자율 학습은 데이터의 주요 특징을 요약하고 설명할 수 있다. 자율 학습의 예로는 (Clustering)을 들 수 있다. 또 다른 하나의 예로는 독립 성분 분석(Independent Component Analysis)이 있다.성분 분석(Independent Component Analysis)이 있다.
, Unsupervised learning is a type of algorit … Unsupervised learning is a type of algorithm that learns patterns from untagged data. The hope is that through mimicry, which is an important mode of learning in people, the machine is forced to build a concise representation of its world and then generate imaginative content from it.then generate imaginative content from it.
, التعلم غير المراقب أو التعلم الاستنتاجي (ب … التعلم غير المراقب أو التعلم الاستنتاجي (بالإنجليزية: Unsupervised learning) هو أحد الفروع الرئيسية في مجال تعلم الآلة و الذكاء الاصطناعي و الشبكات العصبونية الاصطناعية يهتم بخوارزميات تعلم الآلة عن طريق تمييز أنماط البيانات بدون أن تكون هذه البيانات معنونة.البيانات بدون أن تكون هذه البيانات معنونة.
, Unüberwachtes Lernen (englisch unsupervise … Unüberwachtes Lernen (englisch unsupervised learning) bezeichnet maschinelles Lernen ohne im Voraus bekannte Zielwerte sowie ohne Belohnung durch die Umwelt. Die (Lern-)Maschine versucht, in den Eingabedaten Muster zu erkennen, die vom strukturlosen Rauschen abweichen.Ein Künstliches neuronales Netz orientiert sich an der Ähnlichkeit zu den Inputwerten und adaptiert die Gewichte entsprechend.Es können verschiedene Dinge gelernt werden. Beliebt sind die automatische Segmentierung (Clustering) oder die Komprimierung von Daten zur Dimensionsreduktion.mierung von Daten zur Dimensionsreduktion.
, 教師なし学習（きょうしなしがくしゅう, 英: Unsupervised Learni … 教師なし学習（きょうしなしがくしゅう, 英: Unsupervised Learning）とは、機械学習の手法の一つである。「出力すべきもの」があらかじめ決まっていないという点で教師あり学習とは大きく異なる。データの背後に存在する本質的な構造を抽出するために用いられる。 教師あり学習は、その「出力すべきもの」も入力として与える手法であり、データの背後に存在する本質的な構造を抽出するよりむしろ、思い通りの出力を再現する機械の構成に用いられる。 具体的な例として以下のようなものがある。
* クラスター分析
* 主成分分析
* ベクトル量子化
* 自己組織化マップ
* クラスター分析
* 主成分分析
* ベクトル量子化
* 自己組織化マップ
, Aprendizaje no supervisado es un método de … Aprendizaje no supervisado es un método de Aprendizaje Automático donde un modelo se ajusta a las observaciones. Se distingue del Aprendizaje supervisado por el hecho de que no hay un conocimiento a priori. En el aprendizaje no supervisado, un conjunto de datos de objetos de entrada es tratado. Así, el aprendizaje no supervisado típicamente trata los objetos de entrada como un conjunto de variables aleatorias, siendo construido un modelo de densidad para el conjunto de datos.elo de densidad para el conjunto de datos.
, Uczenie nienadzorowane – rodzaj uczenia ma … Uczenie nienadzorowane – rodzaj uczenia maszynowego, którego zadaniem jest odkrywanie w zbiorze danych wzorców bez wcześniej istniejących etykiet i przy minimalnej ingerencji człowieka. Uczenie nienadzorowane zakłada brak obecności oczekiwanego wyjścia w danych uczących. W przeciwieństwie do uczenia nadzorowanego, które zwykle wykorzystuje dane oznaczone przez człowieka, uczenie nienadzorowane umożliwia modelowanie gęstości prawdopodobieństwa danych wejściowych. Uczenie nienadzorowane stanowi, wraz z uczeniem nadzorowanym i uczeniem przez wzmacnianie, jedną z trzech głównych kategorii uczenia maszynowego. Wariantem pośrednim pomiędzy uczeniem nadzorowanym i uczeniem nienadzorowanym są techniki uczenie częściowo nadzorowanego. techniki uczenie częściowo nadzorowanego.
, 無監督學習（英語：unsupervised learning），又稱非監督式學習，是 … 無監督學習（英語：unsupervised learning），又稱非監督式學習，是機器學習的一種方法，沒有給定事先標記過的訓練範例，自動對輸入的資料進行分類或分群。無監督學習的主要運用包含：聚类分析（cluster analysis）、關聯規則（association rule）、維度縮減（dimensionality reduce）。它是監督式學習和強化學習等策略之外的一種選擇。 一個常見的無監督學習是数据聚类。在人工神經網路中，生成對抗網絡（GAN）、自組織映射（SOM）和（ART）則是最常用的非監督式學習。 ART模型允許叢集的個數可隨著問題的大小而變動，並讓使用者控制成員和同一個叢集之間的相似度分數，其方式為透過一個由使用者自定而被稱為的常數。ART也用於模式識別，如和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。式識別，如和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。
, Навчання без вчителя (англ. Unsupervised l … Навчання без вчителя (англ. Unsupervised learning, самоосвіта, спонтанне навчання) — один зі способів машинного навчання, при вирішенні яких випробовувана система спонтанно навчається виконувати поставлене завдання, без втручання з боку експериментатора. З точки зору кібернетики, є одним з видів кібернетичного експерименту. Як правило, це підходить тільки для задач, в яких відомий опис множини об'єктів (навчальна вибірка), і необхідно виявити внутрішні взаємозв'язки, залежності, закономірності, що існують між об'єктами. закономірності, що існують між об'єктами.
, Η μη επιβλεπόμενη μάθηση αποτελεί κατηγορί … Η μη επιβλεπόμενη μάθηση αποτελεί κατηγορία της μηχανικής μάθησης, στόχος της οποίας είναι η ανακάλυψη πιθανής δομής που μπορεί να κρύβεται πίσω από μη χαρακτηρισμένα δεδομένα. Εφόσον τα παραδείγματα τα οποία χρησιμοποιούνται δεν είναι χαρακτηρισμένα, δεν υπάρχει σφάλμα ή σήμα ανταμοιβής για να αξιολογηθούν οι πιθανές λύσεις. Αυτό είναι που διακρίνει την μη-επιβλεπόμενη μάθηση από την επιβλεπόμενη μάθηση και την ενισχυτική (ημι-επιβλεπόμενη) μάθηση. την ενισχυτική (ημι-επιβλεπόμενη) μάθηση.
, Pembelajaran tak terarah adalah teknik pembelajaran mesin di mana kita tidak perlu mengawasi modelnya namun kita perlu mengizinkan model bekerja sendiri untuk menemukan informasi yang dibutuhkan. Hal ini terutama berkaitan dengan data tanpa label.
|
| rdfs:label |
تعلم غير مراقب
, Učení bez učitele
, Aprenentatge no supervisat
, 無監督學習
, Apprendimento non supervisionato
, 教師なし学習
, Apprentissage non supervisé
, Aprendizaje no supervisado
, Обучение без учителя
, Unüberwachtes Lernen
, Uczenie nienadzorowane
, 비지도 학습
, Μη επιβλεπόμενη μάθηση
, Навчання без учителя
, Unsupervised learning
, Pemelajaran tak terarah
|
| rdfs:seeAlso |
http://dbpedia.org/resource/Supervised_learning +
|
