エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
記事へのコメント1件
- 注目コメント
- 新着コメント
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
Subtractive normalization と divisive normalization
Hebbian Learning ざっくりと、ニューロンは他のニューロンとシナプスを形成し、そのシナプスを経由して... Hebbian Learning ざっくりと、ニューロンは他のニューロンとシナプスを形成し、そのシナプスを経由して伝達物質(化学シナプス)やイオン電流(電気シナプス)をやり取りする(結合する)。複数のニューロンが結合されたニューロンネットワークにおいて、シナプスでの「やり取り」の程度によりシナプス結合の強度が更新され、その結果、新しいことを学んだり過去のことを忘却したりといった学習を行うことができる、かもしれない。この仮説がヘッブの学習則(hebbian learning)である。ヘッブ則と呼ばれる場合もある。シナプス結合強度がシナプスにおける「やり取り」に影響されるということは、接続しているニューロンの活動の相関を取ることで結合強度を定式化できる(下式)。ここでεは学習速度調整パラメータであり大きければ大きいほど収束しやすい。as は信号の送信側ニューロン、at は信号の受信側ニューロン
2013/08/20 リンク