El aprendizaje profundo consiste en encontrar una representación jerárquica en los datos para realizar una tarea (por ejemplo, clasificación, regresión)
Deep Belief Nets (DBN) es una arquitectura de aprendizaje profundo. Esa es más o menos la relación entre ellos. Por lo tanto, podemos esperar que un DBN esté compuesto de capas que aprendan una representación jerárquica.
Los DBN se componen de máquinas de Boltzman restringidas apiladas una encima de la otra. Por lo general, cada capa en el DBN es una máquina de Boltzman restringida. El entrenamiento de un DBN generalmente se realiza de manera no supervisada y en capas. Después de entrenar el primer RBM, apilamos otro encima y continuamos entrenando. El apilamiento de RBM para construir un DBN es similar al apilamiento de codificadores automáticos para formar un … un codificador automático apilado (no es un nombre elegante para esta red profunda). Por supuesto, la diferencia es entre cómo funciona el codificador automático y cómo funciona el RBM.
- ¿Qué tan lejos estamos de poder programar una computadora para distinguir buena música de mala música o ruido, de forma similar a como lo hace un humano?
- ¿Cuál es la conexión, si hay algo, entre el razonamiento bayesiano y la lógica no monotónica?
- ¿Cuáles son algunos buenos ejemplos de IA benévola en ciencia ficción?
- ¿Cuál es el algoritmo detrás de x.ai?
- ¿Puede alguien que no es dotado naturalmente en matemáticas contribuir positivamente a la investigación de CS / machine learning?