About: Feature learning

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

About: Feature learning Goto Sponge NotDistinct Permalink

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

http://dbpedia.demo.openlinksw.com/c/2aZXEqRWea

In machine learning, feature learning or representation learning is a set of techniques that allows a system to automatically discover the representations needed for feature detection or classification from raw data. This replaces manual feature engineering and allows a machine to both learn the features and use them to perform a specific task. Feature learning can be either supervised, unsupervised or self-supervised.

Attributes	Values
rdfs:label	Aprendizaje de características (es) Feature learning (en) Apprentissage de représentations (fr) 특징 학습 (ko) Обучение признакам (ru) 表征学习 (zh) Навчання ознак (uk)
rdfs:comment	在机器学习中，特征学习或表征学习是学习一个特征的技术的集合：将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦，允许计算机学习使用特征的同时，也学习如何提取特征：学习如何学习。机器学习任务，例如分类问题，通常都要求输入在数学上或者在计算上都非常便于处理，在这样的前提下，特征学习就应运而生了。然而，现实世界中的数据，例如圖片、影片，以及感測器的測量值都非常的複雜、冗長又多變，如何有效的提取出特征并且将其表达出來成為了一個重要挑戰。传统的手动提取特征需要大量的人力并且依赖于非常专业的知识。同时，还不便于推广。这就要求特征学习技术的整体设计非常有效，自动化，并且易于推广。特征学习可以被分为两类：监督的和无监督的，类似于机器学习。 * 在监督特征学习中，被标记过的数据被当做特征用来学习。例如神经网络，多层感知器，(监督)字典学习。 * 在无监督特征学习中，未被标记过的数据被当做特征用来学习。例如(无监督)字典学习，独立成分分析，，矩阵分解，各种聚类分析及其变形。 (zh) In machine learning, feature learning or representation learning is a set of techniques that allows a system to automatically discover the representations needed for feature detection or classification from raw data. This replaces manual feature engineering and allows a machine to both learn the features and use them to perform a specific task. Feature learning can be either supervised, unsupervised or self-supervised. (en) En el aprendizaje automático, el aprendizaje de características o aprendizaje de representación es un conjunto de técnicas que permite que un sistema descubra automáticamente las representaciones necesarias para la detección o clasificación de características a partir de datos sin procesar. Esto reemplaza la ingeniería de característica manual y permite que una máquina aprenda características y las use para realizar una tarea específica. El aprendizaje de características puede ser supervisado o no supervisado. (es) En apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique. (fr) 특징 학습(feature learning) 또는 표현 학습(representation learning)은 특징을 자동으로 추출할 수 있도록 학습하는 과정이다. 지도 학습과 비지도 학습으로 나눌 수 있다. 특징 학습은 통계적 분류와 같은 머신 러닝 과제가 수학적으로나 컴퓨터상에서 처리하기 편리한 입력을 종종 요구하기 때문에 필요하다. 그러나 특정한 특징을 알고리즘으로 정의하려는 시도는 사진, 영상, 감각 데이터와 같은 실제 세계의 데이터에 대해서는 어려움을 겪었다. 이에 대한 대안으로 명시적인 알고리즘에 의존하지 않고 이러한 특징들을 검사를 통해 발견하는 것이 제안되었다. 특징 학습에는 지도, 비지도, 자기지도 학습이 있다. (ko) Обучение признакам или обучение представлениям — это набор техник, которые позволяют системе автоматически обнаружить представления, необходимые для выявления признаков или классификации исходных (сырых) данных. Это заменяет ручное конструирование признаков и позволяет машине как изучать признаки, так и использовать их для решения специфичных задач. Обучение признакам может быть с учителем или без. (ru) В машинному навчанні навча́ння озна́к (англ. feature learning) або навча́ння предста́влень (англ. representation learning) — це набір методик, що дозволяє системі автоматично виявляти представлення, необхідні для виявлення ознак, або класифікування з сирих даних. Воно замінює ручне конструювання ознак і дозволяє машині як навчатися ознак, так і застосовувати їх для виконання конкретного завдання. Навчання ознак може бути або керованим, або спонтанним. (uk)
foaf:depiction
dct:subject	Machine learning
Wikipage page ID	38870173 (xsd:integer)
Wikipage revision ID	1121391575 (xsd:integer)
Link from a Wikipage to another Wikipage	Sample mean and sample covariance Natural language processing Neural network DALL-E Vector quantization Deep learning Independent component analysis Michal Aharon Radial basis function network Eigenvector GPT-2 GPT (language model) Geoffrey Hinton Gradient descent Moment (mathematics) Mutual information NP-hard Convolutional neural network Andrew Ng Machine learning Artificial neural networks Singular value decomposition Cluster analysis Feature (machine learning) Feature engineering Feature extraction Machine learning Brown clustering Centroid K-SVD K-means clustering Least squares Speech processing Feature detection (computer vision) Normal distribution Energy function Principal component analysis Matrix decomposition Stochastic gradient descent Regularization (mathematics) Restricted Boltzmann machine Artificial neural network AlexNet K-nearest neighbors algorithm Latent variable Binary variable Bipartite graph Transformer (machine learning model) Autoencoder Automated machine learning BERT (language model) Manifold Boltzmann machine Greedy algorithm Doc2Vec If and only if Radial basis function Random walk Vertex (graph theory) Waveform Statistical classification Siamese neural network Distributed representation Image resolution Unsupervised learning Named-entity recognition Multilayer perceptron Self-supervised learning Sentence embedding Node2vec Nonlinear dimensionality reduction Residual neural network Topological graph theory Word embedding Supervised learning Sparse dictionary learning Variational autoencoder Word2vec Graph (computer science) Semisupervised learning Joint distribution Siamese networks

Faceted Search & Find service v1.17_git147 as of Sep 06 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3331 as of Sep 2 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (378 GB total memory, 50 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software