نویسنده(های): میرکو پیترز
در ابتدا منتشر شد به سمت هوش مصنوعی.
ماشین‌های محدود بولتزمن ابزارهای ضروری در این زمینه هستند یادگیری ماشینی، امکان تجزیه و تحلیل داده های پیشرفته را از طریق ساختار منحصر به فرد و تکنیک های یادگیری کارآمد می دهد. درک RBM ها می تواند مهارت ها و کاربردهای علم داده شما را به میزان قابل توجهی افزایش دهد.
این داستان فقط برای اعضا در اختیار ماست. برای دسترسی به تمام Medium ارتقا دهید.
دنیایی که در آن ماشین‌ها می‌توانند از الگوهای پیچیده داده یاد بگیرند و نحوه تعامل ما با فناوری را تغییر دهند. این فقط یک خیال نیست. در حال حاضر در حوزه علم داده اتفاق می افتد. در این سفر، ماشین‌های محدود بولتزمن (RBM) را بررسی می‌کنیم، دسته‌ای از مدل‌های شگفت‌انگیز که به‌عنوان بلوک‌های سازنده برای پیشرفته‌ها عمل می‌کنند. یادگیری ماشینی تکنیک ها خواه شما یک متخصص هستید یا تازه کاوش خود را در علم داده آغاز کرده اید، با من همراه باشید تا این مفاهیم انقلابی را ساده کرده و مفاهیم عملی آنها را آشکار کنیم.
در هسته خود، ماشین‌های محدود بولتزمن (RBM) نوعی مدل گرافیکی احتمالی هستند. اما این به چه معناست؟ به بیان ساده، آنها مدل های ریاضی هستند که برای به تصویر کشیدن روابط بین متغیرها در a مجموعه داده. آنها به ما کمک می کنند تا بفهمیم که چگونه قطعات مختلف اطلاعات به هم متصل می شوند. یک RBM را مانند یک پازل در نظر بگیرید. هر قطعه (یا متغیر) با دیگران تعامل دارد و به آشکار کردن تصویر واضح‌تر کمک می‌کند.
RBM ها از دو لایه تشکیل شده اند: قابل مشاهده و پنهان. لایه قابل مشاهده نشان دهنده داده هایی است که شما به مدل وارد می کنید. لایه پنهان الگوهای زیرینی را که ممکن است مستقیماً نبینید را ثبت می کند. بر خلاف ماشین های سنتی بولتزمن، RBM ها اتصالات بین گره ها را محدود می کنند. این یعنی آنجا… وبلاگ کامل را به صورت رایگان در Medium بخوانید.
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/l/demystifying-restricted-boltzmann-machines-rbbs