Sınırlı Boltzmann Makinesi: Makine öğrenmesinde nasıl kullanılır?

Arka fon:

Evet, Sınırlı Boltzmann Makinesi (RBM) bir sinir ağının ağırlığını başlatmak için CAN kullanılabilir. Ayrıca derin inanç ağı oluşturmak için bir "tabaka-katman" şekilde kullanılamaz CAN bir yetiştirmek olduğunu ( üstünde ıncı katmanı , 'inci katmanın ardından tren üstünde inci tabaka -inci tabaka durulama ve tekrar ...)$n$$(n-1)$$n+1$$n$ .

RBM'nin nasıl kullanılacağına ilişkin olarak, bazı makalelerin ve öğreticilerin bulunabileceği Sınırlı Boltzmann Makineleri için İyi öğretici (RBM) başlığından ayrıntılar bulunabilir.

Sorum şu olurdu:

• RBM, endüstriyel projelerde veya akademik projelerde gerçekten kullanılıyor mu?
• Cevabınız evet ise nasıl ve hangi projeler kullanılıyor?
• Herhangi bir popüler kütüphane (tensorflow, Caffe, Theono, vb.) RBM modülü sağlar mı?

Paylaşım için teşekkürler. RBM'nin pratikte gerçekten yararlı olup olmadığını bilmek istiyorum.

RBM, bir veya iki katmandan daha fazlasına sahip olan derin bir ağı eğitmenin / öğrenmenin ilk pratik yollarından biriydi. Ve derin inanç ağı, 'derin öğrenmenin babasının biri olarak kabul edilen Geoffrey Hinton tarafından sanırım, sanırım, sanırım, Yann LeCun, derin öğrenmenin diğer ana' babası 'olmasına rağmen, sanırım ya da böyle görüyorum. Tabii ki, her şey zaten yıllar önce Jurgen Schmidhuber :-) tarafından icat edildi.

Bu yüzden, RBM'ler ünlüdür çünkü 1. derin öğrenmenin ilk yollarından biri 2. Geoffrey Hinton.

Bununla birlikte, pratikte, akademik araştırmada kesinlikle kullanılırlar ve kullanılırlar, çünkü uzmanlık kazanabilecekleri eşsiz bir yer bulmaya çalışan pek çok insan vardır, uzman olabileceği ve bazı RBM'lerin nişinde dünya çapında uzman olmak iyi bir şeydir. başkaları kadar niş. Bununla birlikte, pratikte, endüstride, hiç kullanılmadıklarını iddia etmeme rağmen, nadiren ortaya çıkıyorlar. Lojistik regresyon ve ileriye dönük evrişimsel sinir ağları gibi gerçekten hızlı ve kolay bir şekilde eğitim veren pek çok standart teknik var. Denetlenmemiş olanlar için şu anda GAN'lar gibi şeyler gerçekten popüler.

Veri toplamada ortaya çıkan tipik problemlerle başa çıkmak için RBM'leri kullanmak mümkündür (örneğin bir makine öğrenme modelini eğitmek için kullanılabilir). Bu tür problemler arasında dengesiz veri kümeleri (bir sınıflandırma probleminde) veya eksik değerlere sahip veri kümeleri (bazı özelliklerin değerleri bilinmiyor) sayılabilir. İlk durumda, azınlık sınıfından veri içeren bir RBM eğitmek ve onu bu sınıfa örnek üretmek için kullanmak, ikinci durumda ise her sınıf için ayrı bir RBM eğitmek ve bilinmeyen özellik değerlerini ortaya çıkarmak mümkündür.

RBM'lerin başka bir tipik uygulaması işbirlikçi filtrelemedir ( http://dl.acm.org/citation.cfm?id=1273596 ).

Popüler kütüphaneler söz konusu olduğunda, deeplearning4j'nin iyi bir örnek olduğunu düşünüyorum ( http://deeplearning4j.org ).