Table des matières:
- Définition - Que signifie la carte auto-organisée (SOM)?
- Techopedia explique la carte auto-organisatrice (SOM)
Définition - Que signifie la carte auto-organisée (SOM)?
Une carte auto-organisatrice (SOM) est un type de réseau neuronal artificiel qui utilise un apprentissage non supervisé pour construire une carte bidimensionnelle d'un espace problématique. La principale différence entre une carte auto-organisée et d'autres approches de résolution de problèmes est qu'une carte auto-organisée utilise un apprentissage compétitif plutôt qu'un apprentissage de correction d'erreurs comme la rétropropagation avec descente de gradient.
Une carte auto-organisée peut générer une représentation visuelle des données sur une grille hexagonale ou rectangulaire. Les applications incluent la météorologie, l'océanographie, la priorisation des projets et l'exploration pétrolière et gazière.
Une carte auto-organisée est également connue sous le nom de carte de fonction auto-organisée (SOFM) ou carte de Kohonen.
Techopedia explique la carte auto-organisatrice (SOM)
Une carte auto-organisée est un type de réseau neuronal artificiel qui tente de construire une carte bidimensionnelle d'un espace problématique. L'espace problématique peut être n'importe quoi, des votes au Congrès américain, des cartes de couleurs et même des liens entre des articles de Wikipédia.
Le but est d'essayer de refléter la façon dont le cortex visuel dans le cerveau humain voit les objets en utilisant les signaux générés par les nerfs optiques. L'objectif est de faire en sorte que tous les nœuds du réseau répondent différemment aux différentes entrées. Une carte auto-organisée utilise un apprentissage compétitif où les nœuds finissent par se spécialiser.
Lorsqu'elles sont alimentées en données d'entrée, la distance euclidienne ou la distance en ligne droite entre les nœuds, auxquels un poids est attribué, est calculée. Le nœud du réseau qui ressemble le plus aux données d'entrée est appelé la meilleure unité de correspondance (BMU).
À mesure que le réseau de neurones se déplace dans l'ensemble de problèmes, les poids commencent à ressembler davantage aux données réelles. Le réseau de neurones s'est ainsi entraîné à voir des modèles dans les données de la même manière qu'un humain le voit.
L'approche diffère des autres techniques d'IA telles que l'apprentissage supervisé ou l'apprentissage à correction d'erreurs, mais sans utiliser de signaux d'erreur ou de récompense pour former un algorithme. Ainsi, une carte auto-organisée est une sorte d'apprentissage non supervisé.
