無監督式學習網路(Unsupervised Learning Network)是人工智慧網路的一種算法(algorithm)，其目的是對原始資料進行分類，以便了解資料內部結構。有別於監督式學習網路，無監督式學習網路在學習時並不知道其分類結果是否正確，亦即沒有受到監督式增強(告訴它何種學習是正確的)。其特點是僅對此種網路提供輸入範例，而它會自動從這些範例中找出其潛在類別規則。當學習完畢並經測試後，也可以將之套用到新的案例上。
基本介紹
- 中文名：無監督式學習網路
- 外文名：Unsupervised Learning Network
- 目的：對原始資料進行分類
- 領域：人工智慧
概述,監督式學習,非監督式學習,算法,常見的套用,特定的無監督式學習網路,相關條目,
概述
無監督式學習網路(Unsupervised Learning Network)是人工智慧網路的一種算法(algorithm)，其目的是對原始資料進行分類，以便了解資料內部結構。有別於監督式學習網路，無監督式學習網路在學習時並不知道其分類結果是否正確，亦即沒有受到監督式增強(告訴它何種學習是正確的)。其特點是僅對此種網路提供輸入範例，而它會自動從這些範例中找出其潛在類別規則。當學習完畢並經測試後，也可以將之套用到新的案例上。
監督式學習
監督式學習（英語：Supervised learning），是一個機器學習中的方法，可以由訓練資料中學到或建立一個模式（函式 / learning model），並依此模式推測新的實例。訓練資料是由輸入物件（通常是向量）和預期輸出所組成。函式的輸出可以是一個連續的值（稱為回歸分析），或是預測一個分類標籤（稱作分類）。
一個監督式學習者的任務在觀察完一些訓練範例（輸入和預期輸出）後，去預測這個函式對任何可能出現的輸入的值的輸出。要達到此目的，學習者必須以"合理"（見歸納偏向）的方式從現有的資料中一般化到非觀察到的情況。在人類和動物感知中，則通常被稱為概念學習（concept learning）。
非監督式學習
ART模型允許叢集的個數可隨著問題的大小而變動，並讓使用者控制成員和同一個叢集之間的相似度分數，其方式為透過一個由使用者自定而被稱為警覺參數的常數。ART也用於模式識別，如自動目標辨識和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。
算法
無監督式學習網路的算法一般僅涉及單一個核心模組，但重複多次計算而已。細節如下解釋：
將輸入層各節點的激發程度表示為
，輸出層各節點的激發程度表示為
，從輸入層各節點指向輸出層各節點的網路路徑值表示為
。輸出層各節點間則為互相抑制，亦即
是一個對角線均為零，其餘元素為-1的矩陣。
核心模組的計算分為兩部分：
第一部分是想知道，當基於目前
的情況下，若欲使網路穩定的話，則輸出層各節點激發程度 (
) 應該形成何種型態？計算乃遵循下列公式：
步驟1:
步驟2:
重複此二步驟的
的更新，直到
低於某個臨界值（如：0.001）
第二部分是想知道，若要得到剛才的激髮型態的話，則應該反映在
的何種調整上，以便使得可以更直接透過來得到？
公式如下：
最後整體計算便將所有的輸入資料分別透過上述的核心模組來得到
，然後全部加總後，更新到實際的上頭，並重複所有步驟若干次（如：50次）即可。
常見的套用
1. 聚類分析 (clustering analysis）
2. 向度縮減 (dimensionality reduction)
特定的無監督式學習網路
1. 自我組織圖像網路(Self-Organizing Map, SOM): 目的是產生一種地形組織(topographic organization)，地圖上相近的地點代表有相似屬性的輸入。
2.適應性共振理論網路(Adaptive Resonance Theory, ART; Carpenter & Grossberg, 1988)。
相關條目
- 監督式學習網路
- 非監督式學習網路
