自编码器

自编码，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。[1][2] 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。[3]

机器学习与資料探勘

问题分类聚类回归异常检测自动机器学习关联规则强化学习结构预测特征学习線上機器學習無監督學習半监督学习排序学习语法归纳
監督式學習 (分类 · 回归) 决策树集成（装袋，提升，随机森林） k-NN 线性回归朴素贝叶斯神经网络逻辑回归感知器支持向量机（SVM）相关向量机（RVM）
聚类 BIRCH 层次 k-平均期望最大化（EM） DBSCAN OPTICS 均值飘移
降维因素分析 CCA ICA LDA NMF PCA LASSO t-SNE
结构预测概率图模型（贝叶斯网络，CRF, HMM）
异常检测 k-NN 局部离群因子
神经网络自编码深度学习多层感知机 RNN 受限玻尔兹曼机 SOM CNN
强化学习 Q学习 SARSA 时序差分学习深度强化学习
理论偏差/方差困境计算学习理论经验风险最小化 PAC学习统计学习 VC理论

一个具有3个全连接隐藏层的自动编码器网络结构。

另見

表征学习

參考

Auto-Encoding Variational Bayes, Kingma, D.P. and Welling, M., ArXiv e-prints, 2013 arxiv.org/abs/1312.6114
Generating Faces with Torch, Boesen A., Larsen L. and Sonderby S.K., 2015 torch.ch/blog/2015/11/13/gan.html
Domingos, Pedro. . . Basic Books. 2015. "Deeper into the Brain" subsection. ISBN 978-046506192-1.

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.