Macchine di Boltzmann Restrittive (RBM): differenze tra le versioni
Nessun oggetto della modifica |
Nessun oggetto della modifica |
||
| (Una versione intermedia di un altro utente non mostrate) | |||
| Riga 10: | Riga 10: | ||
Le RBM sono spesso utilizzate per eseguire la riduzione della dimensionalità, apprendere rappresentazioni distribuite dei dati o generare nuovi dati. | Le RBM sono spesso utilizzate per eseguire la riduzione della dimensionalità, apprendere rappresentazioni distribuite dei dati o generare nuovi dati. | ||
[[Category:architettura]] | [[Category:architettura]] | ||
| Riga 19: | Riga 16: | ||
|title=Macchina di Boltzmann Restrittiva | |title=Macchina di Boltzmann Restrittiva | ||
|title_mode=append | |title_mode=append | ||
|keywords= | |keywords=rete neurale, apprendimento automatico, deep learning, intelligenza artificiale, riduzione della dimensionalità, rappresentazione dei dati, generazione di dati, musica polifonica | ||
|description= | |description=Una Macchina di Boltzmann Restrittiva (RBM) è una rete neurale probabilistica usata per apprendimento non supervisionato. Composta da nodi visibili (dati di input) e nodi nascosti (rappresentazioni interne), la sua struttura semplifica l'apprendimento. Trova applicazione nella riduzione della dimensionalità, apprendimento di rappresentazioni e generazione di dati, come la musica. | ||
}} | }} | ||
Versione attuale delle 23:23, 27 nov 2024
| Macchine di Boltzmann Restrittive (RBM) | |
|---|---|
| Nome Inglese | Restricted Boltzmann Machine |
| Sigla | RBM |
| Anno Di Creazione | 1986 |
| Pubblicazione | |
| URL | |
| Topic | |
Una Macchina di Boltzmann Restrittiva (RBM) è un tipo di rete neurale probabilistica usata per l'apprendimento non supervisionato. È composta da due tipi di nodi: nodi visibili e nodi nascosti. Gli strati visibili rappresentano i dati di input, mentre gli strati nascosti apprendono delle rappresentazioni interne dei dati.
La particolarità di una RBM restrittiva risiede nel fatto che vi è una restrizione sui collegamenti tra i nodi visibili e nascosti, in modo che non ci siano connessioni tra i nodi dello stesso strato e vengano impediti i collegamenti tra i nodi visibili tra loro. Questa restrizione semplifica il processo di apprendimento e rende l'addestramento più efficiente.
Le RBM sono spesso utilizzate per eseguire la riduzione della dimensionalità, apprendere rappresentazioni distribuite dei dati o generare nuovi dati.