Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

AI Begrippen en TrefwoordenAI Trefwoorden

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

47 resultaten
‹1›
Neurale netwerken
Aandachtsmechanisme
Attention Mechanism
Een aandachtsmechanisme is een methode in een neuraal netwerk waarmee een model de belangrijkste delen van de invoer kiest. Anders dan een vaste berekening weegt het model elk deel van de invoer en laat alleen de meest relevante delen zwaar meetellen bij de uitvoer. Bij een automatische vertaling koppelt het model zo de bronwoorden aan het woord dat het op dat moment schrijft.
Neurale netwerken
Activatiefunctie
Activation function
Een activatiefunctie is een rekenregel in een kunstmatig neuraal netwerk die de uitkomst van een neuron bepaalt. De regel neemt de gewogen invoer van dat neuron en zet die om in een uitgangswaarde, vaak via een niet-lineaire stap. Zonder die stap blijft het hele netwerk een rechte berekening, hoeveel lagen het ook heeft, en herkent het geen gezichten op foto's.
Neurale netwerken
Adaptive neuro fuzzy inference system (ANFIS)
Adaptive neuro fuzzy inference system (ANFIS)
Een adaptief neuro-fuzzy inferentiesysteem (ANFIS) is een kunstmatig neuraal netwerk op basis van fuzzy logica van Takagi en Sugeno. Het systeem leert vage als-dan-regels uit voorbeelden, in plaats van alleen vaste rekenregels, en benadert daarmee verbanden die niet in een rechte lijn lopen. Zo schat het een getal als uitkomst uit meetgegevens, terwijl een genetisch algoritme de instellingen verder kan afstemmen.
Neurale netwerken
Autoencoder
Autoencoder
Een autoencoder is een kunstmatig neuraal netwerk dat een compacte weergave leert van data zonder labels. Anders dan een model dat een label voorspelt, perst dit netwerk de invoer samen en bouwt het die invoer daarna weer zo goed mogelijk op. Het netwerk kan zo ruis uit een beeld halen of een afwijking in meetgegevens vinden, en een bekende variant, de variational autoencoder, maakt nieuwe gegevens die lijken op de trainingsdata.
Neurale netwerken
Backpropagation
Backpropagation
Backpropagation is een leermethode voor een neuraal netwerk, een model dat uit lagen van verbindingen bestaat. Het netwerk vergelijkt zijn antwoord met het gewenste resultaat en rekent de gemaakte fout daarna terug door elke laag. Zo ziet het netwerk welke verbindingen de fout veroorzaakten, en het past juist die verbindingen aan zodat een volgend antwoord dichter bij het doel ligt.
Neurale netwerken
Backpropagation through structure (BPTS)
Backpropagation through structure (BPTS)
Backpropagation through structure (BPTS) is een gradiëntmethode om recursieve neurale netwerken te trainen. De fout loopt terug langs de vorm van de invoer, zoals een boom of een graaf, in plaats van alleen langs een reeks in de tijd. Christoph Goller en Andreas Küchler beschreven de methode in 1996 voor het indelen van logische formules, bijvoorbeeld op een bepaald deel van de formule.
Neurale netwerken
Backpropagation through time (BPTT)
Backpropagation through time (BPTT)
Backpropagation through time (BPTT) is een methode om bepaalde terugkerende neurale netwerken op reeksen gegevens te trainen. Het netwerk wordt per tijdstap uitgerold tot een keten waarin elke stap dezelfde gewichten deelt, waarna de fout terugloopt naar eerdere stappen en die gewichten aanpast. Zo leert het netwerk van de fout bij elke stap welke eerdere invoer meetelt voor een betere voorspelling.
Neurale netwerken
Batchnormalisatie
Batch normalization
Batch normalization is een methode die de invoer van elke laag in een neuraal netwerk standaardiseert. Tijdens het trainen verschuift en schaalt de methode de tussenresultaten van een groep voorbeelden, zodat het gemiddelde nul is en de spreiding steeds één is. Deze aanpak uit 2015 maakt het leerproces stabieler en laat het netwerk beter presteren, ook wanneer het model uit veel lagen bestaat.
Neurale netwerken
Beslissingsgrens
Decision boundary
Een beslisgrens is de scheiding tussen gebieden waar een neuraal netwerk verschillende uitkomsten kiest. Bij netwerken die leren door fouten terug te rekenen, blijft die grens recht zonder verborgen laag en dus alleen geschikt voor lineaire problemen. Met één verborgen laag kan het netwerk elke functie zonder sprongen op een begrensd gebied leren en zo spam van gewone mail scheiden met een kromme grens.