WikiSort.ru - Не сортированное

Машинное обучение и data mining

Задачи Задача классификации Обучение без учителя Обучение с частичным привлечением учителя Регрессионный анализ AutoML Ассоциативные правила Выделение признаков Обучение признакам Обучение ранжированию Грамматический вывод Онлайновое обучение

Обучение с учителем Метод k-ближайших соседей Наивный байесовский классификатор Дерево решений Метод опорных векторов Линейная регрессия Логистическая регрессия Перцептрон Ансамбли моделей (Бэггинг, Бустинг, Random forest) Метод релевантных векторов

Кластерный анализ Метод k-средних Метод нечёткой кластеризации Иерархическая кластеризация EM-алгоритм BIRCH CURE DBSCAN OPTICS Mean-shift

Снижение размерности Факторный анализ Метод главных компонент CCA ICA LDA Неотрицательное матричное разложение t-SNE

Структурное прогнозирование Графовая вероятностная модель (Байесовская сеть, Скрытая марковская модель, CRF)

Выявление аномалий Метод k-ближайших соседей Локальный уровень выброса

Графовые вероятностные модели Байесовская сеть Марковская сеть Скрытая марковская модель

Искусственные нейронные сети Ограниченная машина Больцмана Самоорганизующаяся карта Функция активации (Сигмоида, Softmax, Радиально-базисная функция) Метод обратного распространения ошибки Глубокое обучение Многослойный перцептрон Рекуррентная нейронная сеть (Долгая краткосрочная память, Управляемый рекуррентный блок) Свёрточная нейронная сеть (U-Net) Автокодировщик

Обучение с подкреплением Марковский процесс Уравнение Беллмана Жадный алгоритм Q-learning SARSA Temporal difference (TD)

Теория Теория Вапника — Червоненкиса Дилемма смещения–дисперсии Теория вычислительного обучения Минимизация эмпирического риска Оккамово обучение PAC learning Статистическая теория обучения

Журналы и конференции NIPS ICML ML JMLR ArXiv:cs.LG

Глоссарий Глоссарий по машинному обучению

Статьи по теме List of datasets for machine-learning research Outline of machine learning

Иерархическая Временная Память (англ. Hierarchical temporal memory, HTM) — это частная модель мозга. Разработана Джеффом Хокинсом и Дилипом Джоржом из компании Numenta, Inc. Она моделирует некоторые структурные и алгоритмические свойства неокортекса. HTM модель базируется на теории память-предсказание мозговой функции описанной Джеффом Хокинсом в его книге «Об интеллекте» 2004 года. HTM описываются как биомиметические модели предположения причин интеллектом.

Принципы работы

HTM — это система памяти, она не программируется, не учится выполнять различные алгоритмы для различных проблем, она «учится» решать проблему. Все зависит от того какие данные ей подавались на сенсоры. HTM похожи на Байесовские сети, но отличаются тем как используется время, иерархия и внимание.^[1]

Главные способности HTM заключаются в способности обнаруживать причины и выдвигать гипотезы о причинах.

Примечания

Литература

• Джеф Хокинс и Дайлип Джордж, Временная Иерархическая Память. Концепции, Теория и Терминология. Numenta Inc., 2006
  • Hierarchical Temporal Memory. Concepts, Theory, and Terminology / Jeff Hawkins and Dileep George, Numenta Inc  (англ.)

• Иерархическая темпоральная память (HTM) и её кортикальные алгоритмы обучения
• Towards a Mathematical Theory of Cortical Micro-circuits
• Издательство: Вильямс, 2007 г. Твердый переплет, 240 стр. ISBN 978-5-8459-1139-1, 0-8050-7456-2

Ссылки

• Организация Numenta