This HTML5 document contains 176 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

dbr:Feature_learning

rdf:type

dbr:Set

rdfs:label

Обучение признакам Навчання ознак Apprentissage de représentations Feature learning Aprendizaje de características 表征学习 특징 학습

rdfs:comment

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. 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. 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. 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. 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. 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。 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.

owl:sameAs

dbpedia-zh:表征学习 n29:0ryvx64 wd:Q17013334 dbr:Feature_learning dbpedia-ru:Обучение_признакам dbpedia-es:Aprendizaje_de_características dbpedia-fa:یادگیری_ویژگی n39:fqx9 dbpedia-fr:Apprentissage_de_représentations dbpedia-ko:특징_학습 dbpedia-uk:Навчання_ознак n43:ফিচার_লার্নিং

foaf:topic

dbr:Unsupervised_feature_learning dbr:Machine_learning dbr:Brown_clustering dbr:Feature_engineering n12: dbr:Machine_learning_in_bioinformatics dbr:Spatial_embedding dbr:Types_of_artificial_neural_networks dbr:Glossary_of_artificial_intelligence n21: wikipedia-en:Feature_learning dbr:Learning_representation dbr:Nonlinear_dimensionality_reduction dbr:Word2vec dbr:Weak_supervision dbr:Outline_of_machine_learning dbr:Embedded dbr:K-means_clustering n19: dbr:Extreme_learning_machine n24:this dbr:Word_embedding dbr:Autoencoder dbr:Representation_learning dbr:Viola–Jones_object_detection_framework dbr:International_Conference_on_Learning_Representations dbr:Automated_decision-making dbr:Perceiver dbr:Restricted_Boltzmann_machine dbr:Supervised_feature_learning dbr:Deep_belief_network

foaf:depiction

n5:png

wdrs:describedby

n14:NP-hard n14:Boltzmann_machine n14:Radial_basis_function_network n14:Set n23:Anchor n25:Artificial_neural_network n14:Artificial_neural_network n30:Machine_learning n14:Statistical_classification n14:Supervised_learning

dct:subject

dbc:Machine_learning

dbo:wikiPageID

38870173

dbo:wikiPageRevisionID

1121391575

dbo:wikiPageWikiLink

dbr:Joint_distribution dbc:Machine_learning n7: dbr:Deep_learning dbr:Geoffrey_Hinton dbr:Autoencoder dbr:Supervised_learning dbr:Machine_learning dbr:Natural_language_processing dbr:Word_embedding dbr:K-means_clustering dbr:Speech_processing dbr:Cluster_analysis dbr:Matrix_decomposition dbr:Energy_function n19: dbr:Radial_basis_function_network dbr:Word2vec dbr:Independent_component_analysis dbr:Image_resolution dbr:Stochastic_gradient_descent dbr:Andrew_Ng dbr:Manifold n22: dbr:Vector_quantization dbr:Dictionary_learning n12: dbr:Feature_extraction dbr:Bipartite_graph dbr:Neural_network dbr:Normal_distribution dbr:Feature_engineering dbr:Greedy_algorithm dbr:Restricted_Boltzmann_machine dbr:Self-supervised_learning dbr:Topological_graph_theory dbr:Principal_component_analysis dbr:Residual_neural_network dbr:K-nearest_neighbors_algorithm n26: dbr:NP-hard dbr:Siamese_neural_network dbr:Artificial_neural_networks dbr:Named-entity_recognition dbr:Radial_basis_function dbr:Doc2Vec n27:png dbr:Michal_Aharon dbr:Siamese_networks n28: dbr:Mutual_information dbr:Waveform dbr:Artificial_neural_network dbr:Least_squares dbr:Latent_variable dbr:Variational_autoencoder dbr:Automated_machine_learning dbr:Contrastive_divergence dbr:Node2vec n31: n32: dbr:Statistical_classification dbr:GPT-2 dbr:Multilayer_perceptron dbr:DALL-E dbr:Sparse_dictionary_learning n34: dbr:Centroid dbr:If_and_only_if dbr:Sparse_coding dbr:Binary_variable dbr:Convolutional_neural_network dbr:Semisupervised_learning dbr:Distributed_representation dbr:Brown_clustering dbr:AlexNet dbr:Sample_mean_and_sample_covariance dbr:Nonlinear_dimensionality_reduction dbr:Eigenvector dbr:Boltzmann_machine dbr:K-SVD dbr:Random_walk dbr:Sentence_embedding dbr:Singular_value_decomposition dbr:Unsupervised_learning dbr:Gradient_descent

foaf:isPrimaryTopicOf

wikipedia-en:Feature_learning

prov:wasDerivedFrom

n18:0

n36:hypernym

dbr:Set

dbo:abstract

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. Необхідність у навчанні ознак обумовлено тим фактом, що такі завдання машинного навчання, як класифікування, часто потребують входу, що є математично та обчислювально зручним для обробки. Проте дані реального світу, такі як зображення, відео та давачеві вимірювання, ще не піддаються спробам алгоритмічного визначення конкретних ознак. Альтернативою є виявляти такі ознаки або представлення через дослідження, не покладаючись на явні алгоритми. Навчання ознак може бути або керованим, або спонтанним. * У керованому навчанні ознак машина навчається ознак із застосуванням мічених входових даних. До прикладів належать керовані нейронні мережі, багатошаровий перцептрон та (кероване) . * У спонтанному навчанні ознак машина навчається ознак з неміченими входовими даними. До прикладів належать навчання словника, , автокодувальники, розклад матриць та різні види кластерування. 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 is motivated by the fact that machine learning tasks such as classification often require input that is mathematically and computationally convenient to process. However, real-world data such as images, video, and sensor data has not yielded to attempts to algorithmically define specific features. An alternative is to discover such features or representations through examination, without relying on explicit algorithms. Feature learning can be either supervised, unsupervised or self-supervised. * In supervised feature learning, features are learned using labeled input data. Labeled data includes input-label pairs where the input is given to the model and it must produce the ground truth label as the correct answer. This can be leveraged to generate feature representations with the model which result in high label prediction accuracy. Examples include supervised neural networks, multilayer perceptron and (supervised) dictionary learning. * In unsupervised feature learning, features are learned with unlabeled input data by analyzing the relationship between points in the dataset. Examples include dictionary learning, independent component analysis, matrix factorization and various forms of clustering. * In self-supervised feature learning, features are learned using unlabeled data like unsupervised learning, however input-label pairs are constructed from each data point, which enables learning the structure of the data through supervised methods such as gradient descent. Classical examples include word embeddings and autoencoders. SSL has since been applied to many modalities through the use of deep neural network architectures such as CNNs and Transformers. 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。 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 característica está motivado por el hecho de que la máquina que aprende tareas como la clasificación a menudo requiere entrada que es matemáticamente y computacionalmente conveniente de procesar. Aun así, datos del mundo real como imágenes, vídeos, y datos de sensor no permiten definir algorítmicamente características específicas. Una alternativa es descubrir tales características o representaciones a través de exámenes, sin depender de algoritmos explícitos. El aprendizaje de características puede ser supervisado o no supervisado. * En el aprendizaje de características supervisado, las características se aprenden utilizando datos de entrada etiquetados. Los ejemplos incluyen redes neuronales supervisadas, perceptrón multicapa y aprendizaje de diccionario (supervisado) . * En el aprendizaje de características no supervisado, las características se aprenden con datos de entrada sin etiqueta. Los ejemplos incluyen aprendizaje de diccionario, análisis de componentes independientes, autoencoders, factorización matricial​ y varias formas de agrupamiento.​​ 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. L'apprentissage des fonctionnalités est motivé par le fait que les tâches d'apprentissage automatique telles que la classification nécessitent souvent des entrées qui sont mathématiquement et informatiquement pratiques à traiter. Cependant, les données du monde réel telles que les images, les vidéos et les données de capteurs n'ont pas cédé aux tentatives de définition algorithmique de caractéristiques spécifiques. Une alternative consiste à découvrir ces caractéristiques ou représentations en examinant, sans s'appuyer sur des algorithmes explicites. 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 вызвано фактом, что в задачах машинного обучения, таких как классификация, часто требуется вход, который удобно обрабатывать математически и вычислительно. Однако реальные данные, такие как изображения, видео и данные датчиков, не поддаются алгоритмическому определению специфичных признаков. Альтернативой является обнаружение таких признаков или представлений путём исследования без опоры на определённые алгоритмы. Обучение признакам может быть с учителем или без. * В обучении признакам с учителем обучение происходит с помощью помеченных входных данных. Примерами являются нейронные сети с учителем, многослойный перцептрон и словарное обучение (с учителем). * В обучении признакам без учителя обучение происходит с помощью непомеченных входных данных. Примерами являются словарное обучение, анализ независимых компонент, автокодировщики, разложение матриц и различные формы кластеризации. 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. * 지도 학습은 레이블이 있는 입력값을 사용하여 특징을 학습하는 것이다. 레이블이 지정된 데이터는 입력-레이블 쌍을 포함하고 있으며 정답으로 실측 자료 레이블을 내놓아야 한다. 지도 학습은 높은 레이블 예측 정확도를 가져오는 모델로 특징 표현을 생성하는 데 활용할 수 있다. 응용의 예시로는 인공 신경망, 다층 퍼셉트론, 이 있다. * 비지도 학습은 레이블이 없는 데이터를 이용하여 데이터 간의 관계를 분석하는 방식으로 특징을 학습한다. 사전 학습, 독립 성분 분석, 행렬 분해, 다양한 형태의 클러스터 분석이 여기 포함된다. * 자기지도 학습에서 특징은 비지도 학습처럼 레이블이 없는 데이터를 사용하여 학습된다. 그러나 입력-레이블 쌍은 각 데이터 지점에서 만들어져, 기울기 하강과 같은 지도 학습법을 통해 데이터 구조를 학습할 수 있게 된다. 고전적인 예시로는 , 오토인코더가 있다. 자기지도 학습은 합성곱 신경망이나 변환기 등의 심층 신경망을 통해 많은 분야에 응용되어 왔다.

dbo:thumbnail

n44:300

dbp:date

June 2017

dbp:reason

visible hidden?

dbo:wikiPageLength

42961

dbp:wikiPageUsesTemplate

dbt:Reflist dbt:Machine_learning dbt:Clarify dbt:Anchor