表征学习 编辑
在机器学习中，特征学习或表征学习是学习一个特征的技术的集合：将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦，允许计算机学习使用特征的同时，也学习如何提取特征：学习如何学习。
5
图片 0 图片
评论 0 评论
匿名用户 · [[ show_time(comment.timestamp) ]]
[[ nltobr(comment.content) ]]
相关
词嵌入是自然语言处理中语言模型与表征学习技术的统称。概念上而言，它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数数域上的向量。
自编码器，也称自动编码器，是一种人工神经网络，在无监督式学习网络中用于表征学习。自编码的目的是对一组数据学习出一种表示，通常用于维度减化。最近，自编码的概念广泛地用于数据的生成模型。 自2010年以来，一些先进的人工智能在深度学习网络中采用了采用堆叠式稀疏自编码。
自编码器，也称自动编码器，是一种人工神经网络，在无监督式学习网络中用于表征学习。自编码的目的是对一组数据学习出一种表示，通常用于维度减化。最近，自编码的概念广泛地用于数据的生成模型。 自2010年以来，一些先进的人工智能在深度学习网络中采用了采用堆叠式稀疏自编码。
稀松字典学习是一种表征学习方法，其目的在于找出一组基本元素让输入讯号映射到这组基本元素时具有稀松表达式。我们称这些基本元素为“原子”，这些原子的组合则为“字典”。字典里的“原子”并不需要满足正交基这一特性，且往往它们会是过完备的生成集合。过多的原子除了可以让我们在叙述一个讯号的时候可以由很多种表达式，同时也提升了整个表达式的稀疏矩阵性，让我们可以以较简单的表达式来诠释讯号。
自编码器，也称自动编码器，是一种人工神经网络，在无监督式学习网络中用于表征学习。自编码的目的是对一组数据学习出一种表示，通常用于维度减化。最近，自编码的概念广泛地用于数据的生成模型。 自2010年以来，一些先进的人工智能在深度学习网络中采用了采用堆叠式稀疏自编码。