شنبه ۱۷ دی ۰۱ ۱۰:۵۵ ۱۲ بازديد
پروفسور تیوو کوهونن (Teuvo Kohonen)، Self-Organizing Maps یا به اختصار SOMها را اختراع کرد. این نگاشتها به مصورسازی و تجسم دادهها (data visualization) کمک میکند تا ابعاد دادهها را از طریق خود سازماندهی شبکههای عصبی مصنوعی کاهش دهند.
مصورسازی دادهها تلاش میکند مسئلهای را حل کند که انسانها نمیتوانند به راحتی دادههای آن را با ابعاد بالا تجسم کنند. SOMها برای کمک به کاربران به منظور درک این اطلاعات با ابعاد بالا ایجاد شدهاند.
SOMها چگونه کار میکنند؟
SOMها وزنهای هر گره را مقداردهی اولیه کرده و یک بردار را از دادههای آموزشی به صورت تصادفی انتخاب میکنند.
SOMها هر گره را بررسی میکنند تا دریابند کدام وزنها محتمل ترین بردار ورودی هستند. گره برنده، بهترین واحد تطابق (Best Matching Unit یا BMU) نامیده میشود.
SOMها همسایگی BMU را کشف میکنند و تعداد همسایهها با گذشت زمان کاهش مییابد.
SOMها یک وزن برنده را به بردار نمونه تحویل میدهند. هرچه یک گره به BMU نزدیک تر باشد، وزن آن بیشتر تغییر میکند.
هرچه همسایه از BMU دورتر باشد، کمتر یاد میگیرد. SOMها مرحله دوم را برای N تکرار انجام میدهند.
در شکل زیر، تصویری از بردار ورودی با رنگهای مختلف را مشاهده میکنید. این دادهها به یک SOM تغذیه میشوند، که سپس دادهها را به مقادیر دوبعدی RGB تبدیل میکند. در نهایت، رنگهای مختلف را جدا و دسته بندی میکند.
اگر قصد مطالعه درمورد الگوریتم های یادگیری عمیق دارید و یا پروژه یادگیری عمیق دارید و میخواهید آن را با یک ابزار قدرتمند انجام دهید اینجا کلیک کنید.
مصورسازی دادهها تلاش میکند مسئلهای را حل کند که انسانها نمیتوانند به راحتی دادههای آن را با ابعاد بالا تجسم کنند. SOMها برای کمک به کاربران به منظور درک این اطلاعات با ابعاد بالا ایجاد شدهاند.
SOMها چگونه کار میکنند؟
SOMها وزنهای هر گره را مقداردهی اولیه کرده و یک بردار را از دادههای آموزشی به صورت تصادفی انتخاب میکنند.
SOMها هر گره را بررسی میکنند تا دریابند کدام وزنها محتمل ترین بردار ورودی هستند. گره برنده، بهترین واحد تطابق (Best Matching Unit یا BMU) نامیده میشود.
SOMها همسایگی BMU را کشف میکنند و تعداد همسایهها با گذشت زمان کاهش مییابد.
SOMها یک وزن برنده را به بردار نمونه تحویل میدهند. هرچه یک گره به BMU نزدیک تر باشد، وزن آن بیشتر تغییر میکند.
هرچه همسایه از BMU دورتر باشد، کمتر یاد میگیرد. SOMها مرحله دوم را برای N تکرار انجام میدهند.
در شکل زیر، تصویری از بردار ورودی با رنگهای مختلف را مشاهده میکنید. این دادهها به یک SOM تغذیه میشوند، که سپس دادهها را به مقادیر دوبعدی RGB تبدیل میکند. در نهایت، رنگهای مختلف را جدا و دسته بندی میکند.
اگر قصد مطالعه درمورد الگوریتم های یادگیری عمیق دارید و یا پروژه یادگیری عمیق دارید و میخواهید آن را با یک ابزار قدرتمند انجام دهید اینجا کلیک کنید.
- ۰ ۰
- ۰ نظر