About: Autoencoder

Facets (new session)
Description
Metadata
Settings
- Rule:
- Inverse Functional Properties:
- "Same As":

About: Autoencoder Goto Sponge NotDistinct Permalink

An Entity of Type : yago:Statement106722453, within Data Space : dbpedia.demo.openlinksw.com associated with source document(s)
QRcode icon

http://dbpedia.demo.openlinksw.com/describe/?url=http%3A%2F%2Fdbpedia.org%2Fresource%2FAutoencoder

An autoencoder is a type of artificial neural network used to learn efficient codings of unlabeled data (unsupervised learning). The encoding is validated and refined by attempting to regenerate the input from the encoding. The autoencoder learns a representation (encoding) for a set of data, typically for dimensionality reduction, by training the network to ignore insignificant data (“noise”).

Attributes	Values
rdf:type	Thing broadcaster yago:WikicatArtificialNeuralNetworks yago:WikicatNeuralNetworks yago:Abstraction100002137 yago:Communication100033020 yago:ComputerArchitecture106725249 yago:Description106724763 yago:Message106598915 yago:NeuralNetwork106725467 yago:Specification106725067 yago:Statement106722453
rdfs:label	Autoencoder (ca) Autoencoder (de) Autoencoder (el) Autoencoder (en) Auto-encodeur (fr) Autocodificatore (it) 오토인코더 (ko) オートエンコーダ (ja) Автокодировщик (ru) 自编码器 (zh) Автокодувальник (uk)
rdfs:comment	Un auto-encodeur, ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes. L'objectif d'un auto-encodeur est d'apprendre une représentation (encodage) d'un ensemble de données, généralement dans le but de réduire la dimension de cet ensemble. Récemment[Quand ?], le concept d'auto-encodeur est devenu plus largement utilisé pour l'apprentissage de modèles génératifs. (fr) オートエンコーダ（自己符号化器、英: autoencoder）とは、機械学習において、ニューラルネットワークを使用した次元圧縮のためのアルゴリズム。2006年にジェフリー・ヒントンらが提案した。 (ja) 오토인코더(Autoencoder)는 인코더를 통해 입력을 신호로 변환한 다음 다시 디코더를 통해 레이블 따위를 만들어내는 비지도 학습 기법이다. (ko) 自编码器（英语：Autoencoder），也称自动编码器，是一种人工神经网络，在无监督学习中用于有效编码。自编码的目的是对一组数据学习出一种表示（也称表征，编码），通常用于降维。最近，自编码的概念广泛地用于数据的生成模型。自2010年以来，一些先进的人工智能在深度学习网络中采用了采用堆叠式稀疏自编码。 (zh) Un autoencoder és un tipus de xarxa neuronal artificial no supervisada. Té la particularitat de que té el mateix número de nodes a la primera capa i a la última, pel que té tants valors input com output. Està format per la capa inicial, seguit per capes ocultes i amb una última capa de sortida. La capa oculta central té una menor que la primera i la última, pel que forma un coll d'ampolla. L'objectiu de l'autoencoder és reproduir a la última capa les mateixes dades que obté a la primera capa de forma tan aproximada com sigui possible. Com que en el coll d'ampolla el número de dimensions és menor, l'autoencoder haurà d'aprendre una nova representació de les dades que tingui un número menor de dimensions que l'original. Del contrari, no podrà mantenir la informació necessària en el coll d'a (ca) An autoencoder is a type of artificial neural network used to learn efficient codings of unlabeled data (unsupervised learning). The encoding is validated and refined by attempting to regenerate the input from the encoding. The autoencoder learns a representation (encoding) for a set of data, typically for dimensionality reduction, by training the network to ignore insignificant data (“noise”). (en) Ein Autoencoder ist ein künstliches neuronales Netz, das dazu genutzt wird, effiziente Codierungen zu lernen.Das Ziel eines Autoencoders ist es, eine komprimierte Repräsentation (Encoding) für einen Satz Daten zu lernen und somit auch wesentliche Merkmale zu extrahieren.Dadurch kann er zur Dimensionsreduktion genutzt werden. Der Autoencoder benutzt drei oder mehr Schichten: Wenn lineare Neuronen benutzt werden, ist er der Hauptkomponentenanalyse sehr ähnlich. (de) Un autocodificatore o autoencoder è un tipo di rete neurale artificiale utilizzato per apprendere codifiche efficienti di dati non etichettati, rientrando quindi nel campo dell'apprendimento non supervisionato. La codifica viene convalidata e perfezionata tentando di ricostruire l'input dalla codifica. L'autocodificatore apprende una rappresentazione (codifica) di un insieme di dati, tipicamente per la riduzione della dimensionalità, addestrando la rete a ignorare i dati insignificanti ("rumore"). (it) Автокодировщик (англ. autoencoder, также — автоассоциатор) — специальная архитектура искусственных нейронных сетей, позволяющая применять обучение без учителя при использовании метода обратного распространения ошибки. Простейшая архитектура автокодировщика — сеть прямого распространения, без обратных связей, наиболее схожая с перцептроном и содержащая входной слой, промежуточный слой и выходной слой. В отличие от перцептрона, выходной слой автокодировщика должен содержать столько же нейронов, сколько и входной слой. (ru) Автокодува́льник (англ. autoencoder) — це один із типів штучних нейронних мереж, який використовують для навчання ефективних кодувань немічених даних (спонтанного навчання). Це кодування перевіряється та вдосконалюється шляхом намагання відтворювати вхід із цього кодування. Автокодувальник навчається подання (кодування) для набору даних, зазвичай для зниження розмірності, шляхом тренування цієї мережі ігнорувати незначущі дані («шум»). (uk)
differentFrom	Autocode Autocoder
foaf:depiction
dcterms:subject	Dimension reduction Neural network architectures Unsupervised learning
Wikipage page ID	6836612 (xsd:integer)
Wikipage revision ID	1120107812 (xsd:integer)
Link from a Wikipage to another Wikipage	Neural machine translation Breast cancer Anomaly detection Relaxation (approximation) Deep belief network Deep learning Information retrieval Medical imaging Generative model Geoffrey Hinton Gradient descent Linguistic MRI Singular value decomposition Empirical measure Feature learning Frobenius norm Backpropagation Activation function Additive white Gaussian noise Data compression Least squares Alzheimer's disease Face recognition Dimensionality reduction Principal component analysis Rectified linear unit Rectifier (neural networks) Restricted Boltzmann machine Hash table JPEG 2000 Jacobian matrix and determinant Artificial intelligence Artificial neural network Language Latent variable Super-resolution Transformer (machine learning model) Image denoising Dimension reduction Neural network architectures Unsupervised learning Identity function Kullback–Leibler divergence Categorical distribution Machine translation Sigmoid function Variational Bayesian methods Statistical classification Image compression Unsupervised learning Russ Salakhutdinov Multilayer perceptron Sparse dictionary learning Variational autoencoder

Faceted Search & Find service v1.17_git139 as of Feb 29 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3330 as of Mar 19 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (378 GB total memory, 53 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software