repræsentationslæring
Repræsentationslæring er en maskinlæringsteknik, hvor modellen automatisk lærer at omdanne rådata til meningsfulde repræsentationer, der bevarer relevant information til en given opgave.
Kort fortalt
Repræsentationslæring handler om at lade en maskine selv finde de vigtigste træk i data, så den bedre kan løse opgaver som klassifikation eller clustering.
- Kategori
- begreb
- Niveau
- øvet
Betydninger
1- 1
Den proces, hvor en maskinlæringsmodel automatisk ekstraherer eller konstruerer repræsentationer (featurevektorer) fra rådata, så disse repræsentationer er nyttige for nedstrømsopgaver som klassifikation, regression eller generering.
- Dybe neurale netværk er et populært værktøj til repræsentationslæring, da de kan indlære komplekse mønstre i data gennem flere lag.
- Uovervåget repræsentationslæring kan finde strukturer i data uden brug af labels, fx via autoencodere.
Hvornår bruges det
Repræsentationslæring anvendes ofte i deep learning, hvor neurale netværks skjulte lag lærer hierarkiske repræsentationer. Det er særligt nyttigt til ustrukturerede data som billeder, lyd og tekst, hvor manuelle feature engineering er vanskelig.
Kodeeksempel
import tensorflow as tf
from tensorflow import keras
input_dim = 784
encoding_dim = 32
input_layer = keras.layers.Input(shape=(input_dim,))
encoded = keras.layers.Dense(encoding_dim, activation='relu')(input_layer)
decoded = keras.layers.Dense(input_dim, activation='sigmoid')(encoded)
autoencoder = keras.Model(input_layer, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')Et simpelt autoencoder-netværk, der lærer en komprimeret repræsentation (encoding_dim) af inputdata.
Oprindelse
Termen kommer fra engelsk 'representation learning', der blev etableret som et selvstændigt forskningsfelt i 2000'erne.
Afledte ord
2Kilder
2- Representation Learning: A Review and New Perspectives
- Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks