Macchine di Boltzmann Restrittive (RBM): differenze tra le versioni
Nessun oggetto della modifica |
Nessun oggetto della modifica |
||
| Riga 1: | Riga 1: | ||
Nome: [[Nome::Macchine di Boltzmann Restrittive]] | |||
Sigla: [[Sigla::RBM]] | |||
Anno di creazione: [[AnnoDiCreazione::1986]] | |||
Topic: [[Topic::Pre-addestrare in maniera non supervisionata le reti neurali profonde]] | |||
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. | 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. | Gli strati visibili rappresentano i dati di input, mentre gli strati nascosti apprendono delle rappresentazioni interne dei dati. | ||
Versione delle 10:47, 9 apr 2024
Nome: Macchine di Boltzmann Restrittive
Sigla: RBM
Anno di creazione: 1986
Topic: Pre-addestrare in maniera non supervisionata le reti neurali profonde
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.
Nella generazione di musica polifonica
Una RBM può essere addestrata su dati musicali per generare nuove sequenze di note che sono coerenti con il modello appreso durante l'addestramento.