Thời gian phục vụ
Thứ Hai - Thứ Sáu: 07h30 - 22h00
Thứ Bảy: 07h30 - 17h00
TRA CỨU
Các bộ sưu tập
Skip Navigation Links.
Thư mục - Vốn tư liệu
Mạng Nơ-ron hồi quy

Mạng Nơ-ron hồi quy

 Bùi, Quốc Khánh.
 Đại học Hà Nội, 2020
 Hà Nội : tr. 12-17 English
Recurrent Neural NetworksMạng hồi quyNeural NetworksDữ liệuSequential Data
Tác giả CN Bùi, Quốc Khánh.
Nhan đề Mạng Nơ-ron hồi quy / Bùi Quốc Khánh.
Thông tin xuất bản Hà Nội :Đại học Hà Nội,2020
Mô tả vật lý tr. 12-17
Tóm tắt Mạng hồi quy (RNN) thực hiện cùng một tác vụ cho tất cả các phần tử của một chuỗi với đầu ra phụ thuộc vào cả các phép tính trước đó. Nó có khả năng nhớ các thông tin được tính toán trước. Gần đây, mạng LSTM đang được chú ý và sử dụng khá phổ biến. Về cơ bản, mô hình của LSTM không khác mô hình truyền thống của RNN nhưng chúng sử dụng hàm tính toán khác ở các trạng thái ẩn. Vì vậy mà ta có thể truy xuất được quan hệ của các từ phụ thuộc xa nhau rất hiệu quả.
Tóm tắt One major assumption for Neural Networks and in fact many other machine learning models is the independence among data samples. However, this assumption does not hold for data which is sequential in nature. One mechanism to account for sequential dependency is to concatenate a fixed number of consecutive data samples together and treat them as one data point, like moving a fixed size sliding window over data stream. Recurrent Neural Networks process the input sequence one element at a time and maintain a hidden state vector which acts as a memory for past information. They learn to selectively retain relevant information allowing them to capture dependencies across several time sreps, which allows them to utilize both current input and past information while making future predictions.
Thuật ngữ chủ đề Recurrent Neural Networks-Sequential Data
Thuật ngữ chủ đề Mạng hồi quy-Dữ liệu
Từ khóa tự do Neural Networks
Từ khóa tự do Dữ liệu
Từ khóa tự do Sequential Data
Từ khóa tự do Mạng hồi quy
Từ khóa tự do Recurrent Neural Networks
Nguồn trích Kỷ yếu hội thảo khoa học giáo viên Khoa Công nghệ thông tin- 5/2020
MARC
Hiển thị đầy đủ trường & trường con
TagGiá trị
00000000nab#a2200000u##4500
00163991
0022
004577B8429-B9BE-4E5A-81D3-D9445C5418BE
005202112151006
008211215s2020 vm eng
0091 0
035[ ] |a 1456391740
039[ ] |a 20241130102335 |b idtocn |c 20211215100612 |d huongnt |y 20211214081658 |z huongnt
041[0 ] |a eng
044[ ] |a vm
100[0 ] |a Bùi, Quốc Khánh.
245[1 0] |a Mạng Nơ-ron hồi quy / |c Bùi Quốc Khánh.
260[ ] |a Hà Nội : |b Đại học Hà Nội, |c 2020
300[ ] |a tr. 12-17
520[ ] |a Mạng hồi quy (RNN) thực hiện cùng một tác vụ cho tất cả các phần tử của một chuỗi với đầu ra phụ thuộc vào cả các phép tính trước đó. Nó có khả năng nhớ các thông tin được tính toán trước. Gần đây, mạng LSTM đang được chú ý và sử dụng khá phổ biến. Về cơ bản, mô hình của LSTM không khác mô hình truyền thống của RNN nhưng chúng sử dụng hàm tính toán khác ở các trạng thái ẩn. Vì vậy mà ta có thể truy xuất được quan hệ của các từ phụ thuộc xa nhau rất hiệu quả.
520[ ] |a One major assumption for Neural Networks and in fact many other machine learning models is the independence among data samples. However, this assumption does not hold for data which is sequential in nature. One mechanism to account for sequential dependency is to concatenate a fixed number of consecutive data samples together and treat them as one data point, like moving a fixed size sliding window over data stream. Recurrent Neural Networks process the input sequence one element at a time and maintain a hidden state vector which acts as a memory for past information. They learn to selectively retain relevant information allowing them to capture dependencies across several time sreps, which allows them to utilize both current input and past information while making future predictions.
650[1 0] |a Recurrent Neural Networks |x Sequential Data
650[1 7] |a Mạng hồi quy |x Dữ liệu
653[0 ] |a Neural Networks
653[0 ] |a Dữ liệu
653[0 ] |a Sequential Data
653[0 ] |a Mạng hồi quy
653[0 ] |a Recurrent Neural Networks
773[ ] |t Kỷ yếu hội thảo khoa học giáo viên Khoa Công nghệ thông tin |g 5/2020
890[ ] |a 0 |b 0 |c 0 |d 0
LegoWeb Comment