説明性の高いホワイトボックス型AI EXAMHEL(Explainable Adaptive Method based on Hebb's law)教師なし学習教師あり学習自己組織化マップオンライン学習線形近似学習モデル 1. はじめに 当社は、複雑なデータにも対応可能で、かつ説明性の高いホワイトボックス型AI、EXAMHEL1(特許登録済)を開発しました。EXAMHELは、進化型自己組織化マップ(ESOM)の一種です。自己組織化マップとは、教師なし学習の1手法で、分類のルールを教えていないにも関わらず、データを与えると、データの特性を反映したマップを生成します。 自己組織化マップの学習ステップは、人間が言葉を覚える過程に似ていると言われています。赤ちゃんが言葉を覚える時は、まだ言葉が分からないので、教えることができません。赤ちゃんは、人間が話す言葉を聞き、自然と単語を分類し、場面に応じて
初めに 自己組織化マップのイメージは、まさに類は友を呼ぶということわざのイメージがしてならない (出典:デジタル大辞泉(小学館)) 2009年に私がこの手法に出会い、多次元情報を可視化できる点で感動した記憶がある 今回は今一度、理解を深めるために自己組織化マップについて記事にしようと思う フロー図 自己組織化マップの簡単なフロー図は下図の通り イメージ図 フロー図では分かり難いと思うので、イメージ図を描いてみる。 御覧いただいたように自己組織化マップはループ回数が膨大となる点注意が必要である。 特にSOMが大きくなるほど、計算回数は膨大となるため注意が必要である。 サンプル問題設定 今回はSOM(20×20ユニット) 入力データは下図のkingfisher.png(75×80 px)とする。 ・学習回数T 10回 ・学習率α 0.3(ちなみに 0<α<1 ) ・近傍ユニット数 2 ・近傍関
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く