تعليم غير مشرف عليه

التعلم غير الخاضع للرقابة هو أسلوب في التعلم الآلي حيث، على عكس التعلم الخاضع للإشراف ، تتعلم الخوارزميات الأنماط حصريًا من البيانات غير المسماة. الأمل هو أنه من خلال التقليد، وهو وسيلة مهمة للتعلم لدى الناس، تضطر الآلة إلى بناء تمثيل موجز لعالمها ومن ثم توليد محتوى خيالي منه.

الطرق الأخرى في نطاق الإشراف هي التعلم المعزز حيث يتم إعطاء الجهاز درجة أداء رقمية فقط كإرشاد، والإشراف الضعيف أو شبه حيث يتم وضع علامة على جزء صغير من البيانات، والإشراف الذاتي .

الشبكات العصبية

المهام مقابل الأساليب

الميل إلى مهمة استخدام الأساليب الخاضعة للإشراف مقابل الأساليب غير الخاضعة للإشراف. أسماء المهام المتداخلة مع حدود الدائرة مقصودة. ويبين أن التقسيم الكلاسيكي للمهام التخيلية (يسار) الذي يستخدم أساليب غير خاضعة للرقابة غير واضح في مخططات التعلم اليوم.

غالبًا ما يتم تصنيف مهام الشبكة العصبية على أنها تمييزية (التعرف) أو توليدية (الخيال). في كثير من الأحيان ولكن ليس دائمًا، تستخدم المهام التمييزية أساليب خاضعة للإشراف وتستخدم المهام التوليدية أساليب غير خاضعة للإشراف (انظر مخطط فينومع ذلك، فإن الفصل ضبابي للغاية. على سبيل المثال، يفضل التعرف على الأشياء التعلم الخاضع للإشراف، لكن التعلم غير الخاضع للإشراف يمكنه أيضًا تجميع الكائنات في مجموعات. علاوة على ذلك، مع تقدم التقدم للأمام، تستخدم بعض المهام كلتا الطريقتين، وتتأرجح بعض المهام من واحدة إلى أخرى. على سبيل المثال، بدأ التعرف على الصور باعتباره خاضعًا للإشراف الشديد، ولكنه أصبح مختلطًا من خلال استخدام التدريب المسبق غير الخاضع للإشراف، ثم انتقل نحو الإشراف مرة أخرى مع ظهور التسرب ، وReLU ، ومعدلات التعلم التكيفي .

تمرين

أثناء مرحلة التعلم، تحاول الشبكة غير الخاضعة للرقابة تقليد البيانات المقدمة لها وتستخدم الخطأ في مخرجاتها المحاكية لتصحيح نفسها (أي تصحيح أوزانها وتحيزاتها). في بعض الأحيان يتم التعبير عن الخطأ على أنه احتمال منخفض لحدوث مخرجات خاطئة، أو قد يتم التعبير عنه على أنه حالة طاقة عالية غير مستقرة في الشبكة.

على النقيض من الاستخدام المهيمن للطرق الخاضعة للإشراف للانتشار العكسي ، يستخدم التعلم غير الخاضع للإشراف أيضًا طرقًا أخرى بما في ذلك: قاعدة التعلم هوبفيلد، قاعدة التعلم بولتزمان، التباعد التقابلي ، النوم الاستيقاظي ، الاستدلال المتغير ، الحد الأقصى للاحتمال ، الحد الأقصى A البعدي ، أخذ عينات جيبس ، وأخطاء إعادة البناء بالانتشار العكسي أو إعادة معلمات الحالة المخفية. انظر الجدول أدناه لمزيد من التفاصيل.

طاقة

دالة الطاقة هي مقياس مجهري لحالة تنشيط الشبكة. في آلات بولتزمان، تلعب دور وظيفة التكلفة. هذا التشبيه مع الفيزياء مستوحى من تحليل لودفيج بولتزمان للطاقة العيانية للغاز من الاحتمالات المجهرية لحركة الجسيمات ، حيث k هو ثابت بولتزمان وT هي درجة الحرارة. في شبكة الإدارة القائمة على النتائج ، تكون العلاقة ، [1] حيث وتختلف على كل نمط تنشيط محتمل و . لنكون أكثر دقة، أين يوجد نمط تنشيط جميع الخلايا العصبية (المرئية والمخفية). ومن ثم، فإن بعض الشبكات العصبية المبكرة تحمل اسم آلة بولتزمان. بول سمولينسكي يسمي الوئام . تسعى الشبكة إلى الحصول على طاقة منخفضة ذات انسجام عالٍ.

الشبكات

يوضح هذا الجدول مخططات الاتصال لمختلف الشبكات غير الخاضعة للرقابة، والتي سيتم تقديم تفاصيلها في قسم مقارنة الشبكات. الدوائر عبارة عن خلايا عصبية والحواف بينها عبارة عن أوزان اتصال. مع تغير تصميم الشبكة، تتم إضافة الميزات لتمكين الإمكانات الجديدة أو إزالتها لجعل التعلم أسرع. على سبيل المثال، تتغير الخلايا العصبية بين الحتمية (هوبفيلد) والعشوائية (بولتزمان) للسماح بمخرجات قوية، وتتم إزالة الأوزان داخل الطبقة (RBM) لتسريع التعلم، أو يُسمح للاتصالات بأن تصبح غير متماثلة (هيلمهولتز).

هوبفيلد بولتزمان الإدارة القائمة على النتائج مكدسة بولتزمان
شبكة تعتمد على المجالات المغناطيسية في الحديد مع طبقة واحدة متصلة ذاتيا. يمكن استخدامه كذاكرة قابلة للتوجيه للمحتوى.
يتم فصل الشبكة إلى طبقتين (مخفية مقابل مرئية)، ولكن لا تزال تستخدم أوزانًا متماثلة ثنائية الاتجاه. وفقًا للديناميكا الحرارية لبولتزمان، تؤدي الاحتمالات الفردية إلى ظهور طاقات مجهرية.
آلة بولتزمان المقيدة. هذه هي آلة بولتزمان حيث يُحظر إجراء اتصالات جانبية داخل الطبقة لجعل التحليل قابلاً للتتبع.
تحتوي هذه الشبكة على العديد من أنظمة الإدارة القائمة على النتائج (RBM) لتشفير التسلسل الهرمي للميزات المخفية. بعد تدريب إدارة قائمة على النتائج واحدة، تتم إضافة طبقة مخفية زرقاء أخرى (انظر الإدارة القائمة على النتائج على اليسار)، ويتم تدريب الطبقتين العلويتين كإدارة قائمة على النتائج باللونين الأحمر والأزرق. وبالتالي فإن الطبقات الوسطى من الإدارة القائمة على النتائج تعمل كمخفية أو مرئية، اعتمادًا على مرحلة التدريب التي تمر بها.
هيلمهولتز التشفير التلقائي ضريبة القيمة المضافة
بدلاً من الاتصال المتماثل ثنائي الاتجاه لآلات بولتزمان المكدسة، لدينا اتصالات منفصلة أحادية الاتجاه لتشكيل حلقة. يفعل كل من الجيل والتمييز.
شبكة تغذية للأمام تهدف إلى إيجاد تمثيل جيد للطبقة الوسطى لعالم المدخلات الخاص بها. هذه الشبكة حتمية، لذا فهي ليست قوية مثل خليفتها VAE.
يطبق الاستدلال المتغير على أداة التشفير التلقائي. الطبقة الوسطى عبارة عن مجموعة من الوسائل والتباينات للتوزيعات الغوسية. تسمح الطبيعة العشوائية بخيال أكثر قوة من جهاز التشفير التلقائي الحتمي.

من بين الشبكات التي تحمل أسماء الأشخاص، كان هوبفيلد هو الوحيد الذي عمل بشكل مباشر مع الشبكات العصبية. جاء بولتزمان وهيلمهولتز قبل الشبكات العصبية الاصطناعية، لكن عملهما في الفيزياء وعلم وظائف الأعضاء ألهم الأساليب التحليلية التي تم استخدامها.

تاريخ

1969 يُظهر Perceptrons بواسطة Minsky & Papert فشل الإدراك الحسي بدون طبقات مخفية في XOR
السبعينيات (تواريخ تقريبية) أول شتاء للذكاء الاصطناعي
1974 نموذج Ising المغناطيسي الذي اقترحه WA Little  [de] للإدراك
1980 قدمت فوكوشيما شبكة نيوكوجنيترون ، والتي سُميت فيما بعد بالشبكة العصبية التلافيفية . يتم استخدامه في الغالب في SL، ولكنه يستحق الذكر هنا.
1982 تم وصف شبكة Ising Hopfield المتغيرة بأنها CAMs والمصنفات بواسطة John Hopfield.
1983 آلة بولتزمان المتنوعة ذات الخلايا العصبية الاحتمالية التي وصفها هينتون وسيجنوفسكي بعد عمل شيرينغتون وكيركباتريك عام 1975.
1986 ينشر بول سمولينسكي نظرية التناغم، وهي عبارة عن نظام إدارة قائم على النتائج له نفس وظيفة طاقة بولتزمان تقريبًا. لم يقدم سمولينسكي خطة تدريب عملية. فعل هينتون ذلك في منتصف العقد الأول من القرن الحادي والعشرين.
1995 يقدم شميدثوبر الخلايا العصبية LSTM للغات.
1995 تقدم شركة Dayan & Hinton آلة Helmholtz
1995-2005 (تواريخ تقريبية) شتاء الذكاء الاصطناعي الثاني
2013 كينغما، ريزيندي، وشركاه. قدمت أجهزة التشفير التلقائي المتغيرة كشبكة احتمالية رسومية بايزي، مع شبكات عصبية كمكونات.

شبكات محددة

وهنا، نسلط الضوء على بعض خصائص الشبكات المختارة. وترد تفاصيل كل منها في جدول المقارنة أدناه.

شبكة هوبفيلد
ألهمت المغناطيسية الحديدية شبكات هوبفيلد. تتوافق الخلية العصبية مع مجال حديدي ذو لحظات مغناطيسية ثنائية لأعلى ولأسفل، وتتوافق الوصلات العصبية مع تأثير المجال على بعضها البعض. تمكن الاتصالات المتماثلة من صياغة الطاقة العالمية. أثناء الاستدلال، تقوم الشبكة بتحديث كل حالة باستخدام وظيفة خطوة التنشيط القياسية. تضمن الأوزان المتماثلة ووظائف الطاقة الصحيحة التقارب مع نمط تنشيط مستقر. من الصعب تحليل الأوزان غير المتماثلة. تُستخدم شبكات هوبفيلد كذكريات قابلة للمحتوى (CAM).
آلة بولتزمان
هذه هي شبكات هوبفيلد العشوائية. يتم أخذ عينات من قيمة حالتها من ملف pdf هذا على النحو التالي: لنفترض أن الخلايا العصبية الثنائية تنطلق مع احتمال برنولي p(1) = 1/3 وتستقر عند p(0) = 2/3. يتم أخذ عينات منه عن طريق أخذ رقم عشوائي موزع بشكل موحد y، وإدخاله في دالة التوزيع التراكمي المقلوبة ، والتي في هذه الحالة هي دالة الخطوة عند 2/3. الدالة العكسية = { 0 إذا x <= 2/3, 1 إذا x > 2/3 }.
شبكة الاعتقاد السيني
تم تقديم هذه الشبكة بواسطة رادفورد نيل في عام 1992، وتقوم بتطبيق أفكار من النماذج الرسومية الاحتمالية على الشبكات العصبية. يتمثل الاختلاف الرئيسي في أن العقد في النماذج الرسومية لها معاني محددة مسبقًا، في حين يتم تحديد ميزات الخلايا العصبية في Belief Net بعد التدريب. الشبكة عبارة عن رسم بياني حلقي موجه قليل الاتصال يتكون من خلايا عصبية عشوائية ثنائية. تأتي قاعدة التعلم من أقصى احتمال على p(X): Δw ij s j * (s i - p i )، حيث p i = 1 / ( 1 + e المدخلات المرجحة في الخلايا العصبية i ). s j هي عمليات تنشيط من عينة غير متحيزة من التوزيع الخلفي وهذا يمثل مشكلة بسبب مشكلة الشرح البعيد التي أثارها يهودا بيرل. تستخدم الأساليب البايزية المتغيرة بديلاً خلفيًا وتتجاهل هذا التعقيد بشكل صارخ.
شبكة الاعتقاد العميق
هذه الشبكة التي قدمها هينتون هي عبارة عن مزيج من RBM وSigmoid Belief Network. الطبقتان العلويتان عبارة عن RBM والطبقة الثانية للأسفل تشكل شبكة معتقدات سينية. يقوم المرء بتدريبه باستخدام طريقة الإدارة القائمة على النتائج المكدسة ثم التخلص من أوزان التعرف الموجودة أسفل الإدارة القائمة على النتائج العلوية. اعتبارًا من عام 2009، يبدو أن 3-4 طبقات هي العمق الأمثل. [2]
آلة هيلمهولتز
هذه هي الإلهام المبكر لأجهزة التشفير التلقائية المتغيرة. تم دمج شبكتيها في شبكة واحدة - تعمل الأوزان الأمامية على التعرف والأوزان الخلفية تنفذ الخيال. وربما تكون الشبكة الأولى التي تقوم بالأمرين معًا. لم يعمل هيلمهولتز في مجال التعلم الآلي ولكنه ألهم وجهة نظر "محرك الاستدلال الإحصائي الذي تتمثل وظيفته في استنتاج الأسباب المحتملة للمدخلات الحسية". [3] تنتج الخلايا العصبية الثنائية العشوائية احتمالية أن تكون حالتها 0 أو 1. لا يعتبر إدخال البيانات عادةً طبقة، ولكن في وضع إنشاء آلة هيلمهولتز، تتلقى طبقة البيانات مدخلات من الطبقة الوسطى ولها أوزان منفصلة لـ لهذا الغرض، لذلك يعتبر طبقة. وبالتالي فإن هذه الشبكة لديها 3 طبقات.
التشفير التلقائي المتغير
هذه مستوحاة من آلات هيلمهولتز وتجمع بين شبكة الاحتمالية والشبكات العصبية. جهاز التشفير التلقائي عبارة عن شبكة CAM مكونة من ثلاث طبقات، حيث من المفترض أن تكون الطبقة الوسطى عبارة عن تمثيل داخلي لأنماط الإدخال. الشبكة العصبية للتشفير هي توزيع احتمالي q φ (z معطى x) وشبكة فك التشفير هي p θ (x معطى z). تتم تسمية الأوزان باسم phi & theta بدلاً من W وV كما في Helmholtz، وهو اختلاف تجميلي. يمكن توصيل هاتين الشبكتين هنا بشكل كامل أو استخدام نظام NN آخر.

مقارنة الشبكات

هوبفيلد بولتزمان الإدارة القائمة على النتائج الإدارة القائمة على النتائج مكدسة هيلمهولتز التشفير التلقائي ضريبة القيمة المضافة
الاستخدام والأعيان CAM، مشكلة البائع المتجول كام. حرية الاتصالات تجعل من الصعب تحليل هذه الشبكة. التعرف على الأنماط. المستخدمة في أرقام MNIST والكلام. الاعتراف والخيال. تم تدريبهم من خلال التدريب المسبق غير الخاضع للرقابة و/أو الضبط الدقيق الخاضع للإشراف. الخيال والتقليد اللغة: الكتابة الإبداعية، الترجمة. الرؤية: تعزيز الصور الباهتة توليد بيانات واقعية
الخلايا العصبية حالة ثنائية حتمية. التنشيط = { 0 (أو -1) إذا كانت x سالبة، 1 بخلاف ذلك } عصبون هوبفيلد العشوائي العشوائي ← نفسه. (امتدت إلى القيمة الحقيقية في منتصف العقد الأول من القرن الحادي والعشرين) ← نفسه ← نفسه اللغة: LSTM. الرؤية: مجالات الاستقبال المحلية. عادة تفعيل relu ذو قيمة حقيقية. تقوم الخلايا العصبية في الطبقة الوسطى بتشفير الوسائل والتباينات للغاوسيين. في وضع التشغيل (الاستدلال)، يتم أخذ عينات من قيم مخرجات الطبقة الوسطى من Gaussians.
روابط 1-طبقة ذات أوزان متماثلة. لا توجد اتصالات ذاتية. 2-طبقات. 1- مخفي و 1- مرئي. الأوزان المتماثلة. ← نفسه.
لا توجد اتصالات جانبية داخل الطبقة.
الطبقة العليا غير موجهة ومتماثلة. الطبقات الأخرى ذات اتجاهين وغير متماثلة. 3-طبقات: أوزان غير متماثلة. شبكتان مدمجتان في شبكة واحدة. 3-طبقات. يعتبر الإدخال طبقة على الرغم من عدم احتوائه على أوزان واردة. الطبقات المتكررة للبرمجة اللغوية العصبية. تلافيفات Feedforward للرؤية. المدخلات والمخرجات لها نفس عدد الخلايا العصبية. 3 طبقات: الإدخال، التشفير، فك تشفير عينات التوزيع. لا يعتبر أخذ العينات طبقة
الاستدلال والطاقة يتم إعطاء الطاقة بواسطة مقياس احتمال جيبس ​​: ← نفسه ← نفسه تقليل الاختلاف KL الاستدلال هو مجرد تغذية للأمام. كانت شبكات UL السابقة تعمل للأمام والخلف تصغير الخطأ = خطأ إعادة الإعمار - KLD
تمرين Δw ij = s i *s j لـ +1/-1 خلية عصبية Δw ij = e*(p ij - p' ij ). وهذا مشتق من تقليل KLD. e = معدل التعلم، p' = المتوقع وp = التوزيع الفعلي. Δw ij = e*( < v i h j > data - < v i h j > التوازن ). هذا شكل من أشكال التباعد المتباين مع أخذ عينات جيبس. "<>" هي التوقعات. ← مشابه. تدريب طبقة واحدة في كل مرة. حالة التوازن التقريبية مع تمريرة من 3 قطاعات. لا يوجد انتشار خلفي. التدريب على الاستيقاظ والنوم على مرحلتين عودة نشر خطأ إعادة الإعمار إعادة ضبط الحالة المخفية للدعم الخلفي
قوة يشبه الأنظمة الفيزيائية لذلك يرث معادلاتها ← نفسه. تعمل الخلايا العصبية المخفية كتمثيل داخلي للعالم الخارجي نظام تدريب أسرع وأكثر عملية من آلات بولتزمان القطارات بسرعة. يعطي طبقة هرمية من الميزات التشريحية أقل ما يقال. قابلة للتحليل مع نظرية المعلومات والميكانيكا الإحصائية
ضعف من الصعب التدريب بسبب الاتصالات الجانبية التوازن يتطلب الكثير من التكرارات تعد الخلايا العصبية ذات القيمة الصحيحة والحقيقية أكثر تعقيدًا.

التعلم الهيبي، ART، SOM

المثال الكلاسيكي للتعلم غير الخاضع للرقابة في دراسة الشبكات العصبية هو مبدأ دونالد هب ، وهو أن الخلايا العصبية التي تنطلق معًا تترابط معًا. [4] في التعلم الهيبي ، يتم تعزيز الاتصال بغض النظر عن وجود خطأ، ولكنه يعتمد حصريًا على المصادفة بين إمكانات الفعل بين الخليتين العصبيتين. [5] هناك نسخة مماثلة تعدل الأوزان المشبكية وتأخذ في الاعتبار الوقت بين إمكانات الفعل ( اللدونة المعتمدة على توقيت الارتفاع أو STDP). تم افتراض أن التعلم الهيبي يكمن وراء مجموعة من الوظائف المعرفية، مثل التعرف على الأنماط والتعلم التجريبي.

من بين نماذج الشبكات العصبية ، تُستخدم خريطة التنظيم الذاتي (SOM) ونظرية الرنين التكيفي (ART) بشكل شائع في خوارزميات التعلم غير الخاضعة للرقابة. SOM عبارة عن منظمة طبوغرافية تمثل فيها المواقع القريبة على الخريطة مدخلات ذات خصائص مماثلة. يسمح نموذج ART بتغير عدد المجموعات حسب حجم المشكلة ويتيح للمستخدم التحكم في درجة التشابه بين أعضاء نفس المجموعات عن طريق ثابت محدد من قبل المستخدم يسمى معلمة اليقظة. تُستخدم شبكات ART في العديد من مهام التعرف على الأنماط، مثل التعرف التلقائي على الهدف ومعالجة الإشارات الزلزالية. [6]

الأساليب الاحتمالية

اثنان من الأساليب الرئيسية المستخدمة في التعلم غير الخاضع للرقابة هما المكون الرئيسي والتحليل العنقودي . يُستخدم التحليل العنقودي في التعلم غير الخاضع للرقابة لتجميع أو تقسيم مجموعات البيانات ذات السمات المشتركة من أجل استقراء العلاقات الخوارزمية. [7] التحليل العنقودي هو أحد فروع التعلم الآلي الذي يقوم بتجميع البيانات التي لم يتم تصنيفها أو تصنيفها أو تصنيفها. بدلاً من الاستجابة للتعليقات، يحدد التحليل العنقودي القواسم المشتركة في البيانات ويتفاعل بناءً على وجود أو عدم وجود مثل هذه القواسم المشتركة في كل جزء جديد من البيانات. يساعد هذا الأسلوب في اكتشاف نقاط البيانات الشاذة التي لا تتناسب مع أي من المجموعتين.

يوجد تطبيق مركزي للتعلم غير الخاضع للرقابة في مجال تقدير الكثافة في الإحصاء ، [8] على الرغم من أن التعلم غير الخاضع للرقابة يشمل العديد من المجالات الأخرى التي تتضمن تلخيص وشرح ميزات البيانات. يمكن مقارنته بالتعلم الخاضع للإشراف بالقول أنه في حين أن التعلم الخاضع للإشراف يهدف إلى استنتاج توزيع احتمالي مشروط مشروط بتسمية البيانات المدخلة؛ يهدف التعلم غير الخاضع للرقابة إلى استنتاج توزيع احتمالي مسبق .

اقتراب

تتضمن بعض الخوارزميات الأكثر شيوعًا المستخدمة في التعلم غير الخاضع للرقابة ما يلي: (1) التجميع، (2) اكتشاف الحالات الشاذة، (3) طرق تعلم النماذج المتغيرة الكامنة. يستخدم كل أسلوب عدة طرق على النحو التالي:

طريقة اللحظات

إحدى الأساليب الإحصائية للتعلم غير الخاضع للرقابة هي طريقة اللحظات . في طريقة العزوم، ترتبط المعلمات غير المعروفة (ذات الأهمية) في النموذج بعزوم واحد أو أكثر من المتغيرات العشوائية، وبالتالي يمكن تقدير هذه المعلمات غير المعروفة بمعلومية العزوم. وعادة ما يتم تقدير اللحظات من العينات تجريبيا. اللحظات الأساسية هي لحظات الدرجة الأولى والثانية. بالنسبة للمتجه العشوائي، فإن لحظة الترتيب الأول هي المتجه المتوسط ، وعزم الترتيب الثاني هي مصفوفة التغاير (عندما يكون المتوسط ​​صفرًا). عادةً ما يتم تمثيل العزوم ذات الترتيب الأعلى باستخدام الموترات وهي تعميم المصفوفات على الترتيب الأعلى كمصفوفات متعددة الأبعاد.

على وجه الخصوص، أظهرت طريقة اللحظات فعاليتها في تعلم معلمات نماذج المتغيرات الكامنة . نماذج المتغيرات الكامنة هي نماذج إحصائية، بالإضافة إلى المتغيرات المرصودة، توجد أيضًا مجموعة من المتغيرات الكامنة التي لم يتم ملاحظتها. من الأمثلة العملية للغاية لنماذج المتغيرات الكامنة في التعلم الآلي هو نمذجة الموضوع وهو نموذج إحصائي لتوليد الكلمات (المتغيرات الملحوظة) في المستند بناءً على موضوع (المتغير الكامن) للمستند. في نمذجة الموضوع، يتم إنشاء الكلمات الموجودة في المستند وفقًا لمعلمات إحصائية مختلفة عند تغيير موضوع المستند. لقد تبين أن طريقة العزوم (تقنيات التحلل الموتر) تستعيد باستمرار معلمات فئة كبيرة من نماذج المتغيرات الكامنة في ظل بعض الافتراضات. [11]

تعد خوارزمية تعظيم التوقعات (EM) أيضًا واحدة من أكثر الطرق العملية لتعلم نماذج المتغيرات الكامنة. ومع ذلك، يمكن أن تتعثر في الأمثلية المحلية، وليس من المضمون أن تتقارب الخوارزمية مع المعلمات الحقيقية غير المعروفة للنموذج. وفي المقابل، بالنسبة لطريقة اللحظات، فإن التقارب العالمي مضمون في ظل بعض الشروط.

أنظر أيضا

مراجع

  1. ^ هينتون ، ج. (2012). "دليل عملي لتدريب آلات بولتزمان المقيدة" (PDF) . الشبكات العصبية: حيل التجارة . ملاحظات محاضرة في علوم الكمبيوتر. المجلد. 7700. سبرينغر. ص 599-619. دوى :10.1007/978-3-642-35289-8_32. رقم ISBN 978-3-642-35289-8.
  2. ^ هينتون ، جيفري (سبتمبر 2009). “شبكات الاعتقاد العميق” (فيديو).
  3. ^ بيتر ، ديان ؛ هينتون، جيفري إي . نيل، رادفورد م . زيميل، ريتشارد س. (1995). "آلة هيلمهولتز". الحساب العصبي . 7 (5): 889-904. دوى :10.1162/neco.1995.7.5.889. اتش دي ال : 21.11116/0000-0002-D6D3-E . بميد  7584891. S2CID  1890561. رمز الوصول المغلق
  4. ^ بوهمان، ج. كوهنيل، هـ. (1992). “تجمع البيانات غير الخاضعة للإشراف والإشراف مع الشبكات العصبية التنافسية”. [وقائع 1992] المؤتمر الدولي المشترك IJCNN حول الشبكات العصبية . المجلد. 4. إيي. ص 796-801. دوى :10.1109/ijcnn.1992.227220. رقم ISBN 0780305590. S2CID  62651220.
  5. ^ كوميسانيا-كامبوس، ألبرتو؛ بوزا رودريغيز ، خوسيه بينيتو (يونيو 2016). “تطبيق التعلم الهيبي في عملية صنع القرار في التصميم”. مجلة التصنيع الذكي . 27 (3): 487-506. دوى :10.1007/s10845-014-0881-z. ISSN  0956-5515. S2CID  207171436.
  6. ^ كاربنتر، جي.إيه وجروسبيرج، إس. (1988). “فن التعرف على الأنماط التكيفية من خلال شبكة عصبية ذاتية التنظيم” (PDF) . حاسوب . 21 (3): 77-88. دوى :10.1109/2.33. S2CID  14625094. مؤرشفة من الأصلي (PDF) بتاريخ 16-05-2018 . تم الاسترجاع 2013/09/16 .
  7. ^ رومان فيكتور (21/04/2019). “التعلم الآلي غير الخاضع للرقابة: تحليل المجموعات”. واسطة . تم الاسترجاع 2019-10-01 .
  8. ^ جوردان ، مايكل الأول. بيشوب، كريستوفر م. (2004). “7. الأنظمة الذكية § الشبكات العصبية”. في تاكر، ألين ب. (محرر). دليل علوم الكمبيوتر (الطبعة الثانية). تشابمان وهال / مطبعة CRC. دوى :10.1201/9780203494455. رقم ISBN 1-58488-360-X.
  9. ^ هاستي، تيبشيراني وفريدمان 2009، ص 485-586
  10. ^ جارباد ، دكتور مايكل ج. (12/09/2018). “فهم K- يعني التجميع في التعلم الآلي”. واسطة . تم الاسترجاع 2019-10-31 .
  11. ^ أناندكومار، انيماشري؛ قه رونغ. هسو، دانيال؛ ككادي، الشام؛ تيلجارسكي، ماتوس (2014). “تحليلات Tensor لتعلم النماذج المتغيرة الكامنة” (PDF) . مجلة أبحاث التعلم الآلي . 15 : 2773-2832. أرخايف : 1210.7559 . بيب كود :2012arXiv1210.7559A.

قراءة متعمقة

Retrieved from "https://en.wikipedia.org/w/index.php?title=Unsupervised_learning&oldid=1202204042"