Sommario:
- Definizione - Cosa significa mappa auto-organizzante (SOM)?
- Techopedia spiega Self-Organizing Map (SOM)
Definizione - Cosa significa mappa auto-organizzante (SOM)?
Una mappa auto-organizzante (SOM) è un tipo di rete neurale artificiale che utilizza l'apprendimento senza supervisione per costruire una mappa bidimensionale di uno spazio problematico. La differenza chiave tra una mappa auto-organizzata e altri approcci alla risoluzione dei problemi è che una mappa auto-organizzata utilizza l'apprendimento competitivo piuttosto che l'apprendimento della correzione degli errori come la backpropagazione con discesa gradiente.
Una mappa auto-organizzante può generare una rappresentazione visiva dei dati su una griglia esagonale o rettangolare. Le applicazioni includono meteorologia, oceanografia, definizione delle priorità dei progetti ed esplorazione di petrolio e gas.
Una mappa auto-organizzata è anche conosciuta come una mappa auto-organizzata (SOFM) o una mappa di Kohonen.
Techopedia spiega Self-Organizing Map (SOM)
Una mappa auto-organizzata è un tipo di rete neurale artificiale che tenta di costruire una mappa bidimensionale di qualche spazio problematico. Lo spazio problematico può essere qualsiasi cosa, dai voti al Congresso degli Stati Uniti, mappe di colori e persino collegamenti tra articoli di Wikipedia.
L'obiettivo è tentare di rispecchiare il modo in cui la corteccia visiva nel cervello umano vede gli oggetti usando segnali generati dai nervi ottici. L'obiettivo è far sì che tutti i nodi della rete rispondano in modo diverso a diversi input. Una mappa auto-organizzata si avvale dell'apprendimento competitivo in cui i nodi alla fine si specializzano.
Quando vengono alimentati i dati di input, viene calcolata la distanza euclidea o la distanza in linea retta tra i nodi, a cui viene assegnato un peso. Il nodo nella rete che è più simile ai dati di input è chiamato la migliore unità di corrispondenza (BMU).
Man mano che la rete neurale si sposta attraverso il set di problemi, i pesi iniziano a somigliare più ai dati reali. La rete neurale si è quindi allenata a vedere modelli nei dati nel modo in cui vede un essere umano.
L'approccio differisce da altre tecniche di intelligenza artificiale come l'apprendimento supervisionato o l'apprendimento della correzione degli errori, ma senza utilizzare segnali di errore o di ricompensa per addestrare un algoritmo. Pertanto, una mappa auto-organizzata è una sorta di apprendimento senza supervisione.
