Naar inhoud
BetaAI Begrippen

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

Neurale netwerken (47)

Alle AI-termen binnen Neurale netwerken, in gewone taal.

47 resultaten
Neurale netwerken
DeepMind Technologies
DeepMind Technologies
DeepMind Technologies is een Brits bedrijf voor kunstmatige intelligentie, in 2014 overgenomen door Google, nu eigendom van Alphabet. Het bouwt neurale netwerken, een soort lerende programma's, die computerspellen leren spelen zoals mensen dat doen. In 2016 versloeg AlphaGo de wereldkampioen go, Lee Sedol, in vijf partijen, en AlphaZero won later van de sterkste programma's in go, schaken en shogi (Japans schaak) door een paar dagen tegen zichzelf te spelen.
Neurale netwerken
Diep neuraal netwerk
Deep Neural Networks
Diepe neurale netwerken zijn kunstmatige neurale netwerken die bestaan uit meerdere lagen van onderling verbonden neuronen. Elke laag haalt uit ruwe gegevens een patroon en geeft een steeds abstracter kenmerk door aan de volgende laag. Deze stapsgewijze opbouw maakt de netwerken geschikt voor complexe taken, zoals het herkennen van gezichten op foto's of van woorden en zinnen in gesproken taal.
Neurale netwerken
Dropout
Dropout
Dropout is een regularisatiemethode die overfitting tegengaat bij het trainen van kunstmatige neurale netwerken. De methode zet bij elke trainingsronde steeds opnieuw willekeurig de invoer of de uitvoer van een deel van de neuronen tijdelijk op nul. Die neuronen stemmen daardoor minder sterk op elkaar af, zodat een netwerk dat foto's herkent minder leunt op toevallige details uit de trainingsfoto's.
Neurale netwerken
Echo state network (ESN)
Echo state network (ESN)
Een echo state network (ESN) is een terugkerend neuraal netwerk, een model dat eerdere stappen onthoudt. De verbindingen en gewichten in de binnenste laag staan vast en zijn willekeurig gekozen, meestal met ongeveer één procent van de mogelijke verbindingen. Alleen de gewichten naar de uitgang worden getraind, zodat het netwerk patronen in de tijd nabootst, terwijl het gedrag niet-lineair blijft en de training toch lineair is.
Neurale netwerken
Encoder
Encoder
Een encoder is het onderdeel van een neuraal netwerk dat de invoer omzet in een interne voorstelling. De encoder zet tekst, beeld of geluid om in een reeks getallen die de belangrijkste kenmerken van die invoer vasthoudt. Bij automatische vertaling geeft het model die getallenreeks daarna door, zodat een volgend onderdeel er een zin in een andere taal van maakt.
Neurale netwerken
Gewicht
Weights
Gewichten zijn getallen in een neuraal netwerk die de sterkte van verbindingen tussen kunstmatige neuronen bepalen. Anders dan vaste regels in gewone software sturen deze getallen per verbinding hoe sterk een signaal van het ene neuron naar het volgende neuron doorwerkt. Zo bepalen ze hoe het model informatie verwerkt, bijvoorbeeld welk kenmerk zwaar meetelt bij het herkennen van een foto.
Neurale netwerken
Kunstmatige neuronen
Artificial neurons
Een kunstmatig neuron is een rekeneenheid in een neuraal netwerk die informatie verwerkt en doorgeeft. Anders dan een vast programma weegt het elke binnenkomende waarde, telt die gewogen getallen op en zet de som met een formule om in één resultaat. Dat resultaat gaat naar de volgende neuronen, zodat het netwerk patronen herkent, zoals of een foto een kat toont.
Neurale netwerken
Long short-term memory (LSTM)
Long short-term memory (LSTM)
Long short-term memory (LSTM) is een kunstmatig neuraal netwerk in deep learning voor reeksen gegevens. Anders dan een standaard neuraal netwerk, dat elk punt apart verwerkt, heeft LSTM terugkoppelingen die informatie uit eerdere stappen bewaren. Daardoor kan het model een hele reeks volgen, zoals een gesproken zin of een video, en bij elk nieuw deel rekening houden met wat daarvoor kwam.
Neurale netwerken
LSTM
LSTM
LSTM is een speciaal type recurrent neuraal netwerk (een model voor reeksen) dat lange verbanden onthoudt. Het gebruikt geheugencellen en poorten die bepalen welke informatie binnenkomt, blijft of doorgaat, zodat eerdere stappen niet zo snel verdwijnen als bij een gewoon recurrent netwerk. Daardoor kan het tijdreeksen en andere reeksen beter volgen, bijvoorbeeld bij spraakherkenning of bij het voorspellen van toekomstige meetwaarden uit eerdere cijfers.