A self-organizing map (SOM) or self-organizing feature map (SOFM) is a type of artificial neural network that is trained using unsupervised learning to produce a low-dimensional (typically two-dimensional), discretized representation of the input space of the training samples, called a map. Self-organizing maps are different from other artificial neural networks in the sense that they use a neighborhood function to preserve the topological properties of the input space.

PropertyValue
dbpedia-owl:abstract
  • A self-organizing map (SOM) or self-organizing feature map (SOFM) is a type of artificial neural network that is trained using unsupervised learning to produce a low-dimensional (typically two-dimensional), discretized representation of the input space of the training samples, called a map. Self-organizing maps are different from other artificial neural networks in the sense that they use a neighborhood function to preserve the topological properties of the input space. This makes SOMs useful for visualizing low-dimensional views of high-dimensional data, akin to multidimensional scaling. The model was first described as an artificial neural network by the Finnish professor Teuvo Kohonen, and is sometimes called a Kohonen map. Like most artificial neural networks, SOMs operate in two modes: training and mapping. Training builds the map using input examples. It is a competitive process, also called vector quantization. Mapping automatically classifies a new input vector. A self-organizing map consists of components called nodes or neurons. Associated with each node is a weight vector of the same dimension as the input data vectors and a position in the map space. The usual arrangement of nodes is a regular spacing in a hexagonal or rectangular grid. The self-organizing map describes a mapping from a higher dimensional input space to a lower dimensional map space. The procedure for placing a vector from data space onto the map is to first find the node with the closest weight vector to the vector taken from data space. Once the closest node is located it is assigned the values from the vector taken from the data space. While it is typical to consider this type of network structure as related to feedforward networks where the nodes are visualized as being attached, this type of architecture is fundamentally different in arrangement and motivation. Useful extensions include using toroidal grids where opposite edges are connected and using large numbers of nodes. It has been shown that while self-organizing maps with a small number of nodes behave in a way that is similar to K-means, larger self-organizing maps rearrange data in a way that is fundamentally topological in character. It is also common to use the U-Matrix. The U-Matrix value of a particular node is the average distance between the node and its closest neighbors (ref. 9). In a square grid for instance, we might consider the closest 4 or 8 nodes, or six nodes in a hexagonal grid. Large SOMs display properties which are emergent. In maps consisting of thousands of nodes, it is possible to perform cluster operations on the map itself.
  • Als Selbstorganisierende Karten, Kohonenkarten oder Kohonennetze (nach Teuvo Kohonen; engl. self-organizing map, SOM) bezeichnet man eine Art von künstlichen neuronalen Netzen. Sie sind als unüberwachtes Lernverfahren ein leistungsfähiges Werkzeug des Data Mining. Ihr Funktionsprinzip beruht auf der biologischen Erkenntnis, dass viele Strukturen im Gehirn eine lineare oder planare Topologie aufweisen. Die Signale des Eingangsraums, z. B. visuelle Reize, sind jedoch multidimensional. Es stellt sich also die Frage, wie diese multidimensionalen Eindrücke durch planare Strukturen verarbeitet werden. Biologische Untersuchungen zeigen, dass die Eingangssignale so abgebildet werden, dass ähnliche Reize nahe beieinander liegen. Der Phasenraum der angelegten Reize wird also kartiert. Wird nun ein Signal an diese Karte herangeführt, so werden nur diejenigen Gebiete der Karte erregt, die dem Signal ähnlich sind. Die Neuronenschicht wirkt als topologische Merkmalskarte, wenn die Lage der am stärksten erregten Neuronen in gesetzmäßiger und stetiger Weise mit wichtigen Signalmerkmalen korreliert ist. Anwendung finden selbstorganisierende Karten zum Beispiel in der Computergrafik als Quantisierungsalgorithmus zur Farbreduktion von Rastergrafikdaten und in der Bioinformatik zur Clusteranalyse.
  • Los mapas autoorganizados o SOM (Self-Organizing Map), también llamados redes de Kohonen son un tipo de red neuronal no supervisada, competitiva, distribuida de forma regular en una rejilla de, normalmente, dos dimensiones, cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo del entrenamiento de la red, los vectores de datos son introducidos en cada neurona y se comparan con el vector de peso característico de cada neurona. La neurona que presenta menor diferencia entre su vector de peso y el vector de datos es la neurona ganadora (o BMU) y ella y sus vecinas verán modificados sus vectores de pesos.
  • Itseorganisoiva kartta on ohjaamattomaan oppimiseen perustuva neuroverkkomalli. Sen on kehittänyt akateemikko Teuvo Kohonen. Hän julkaisi menetelmän 1980-luvulla. Se on Kohosen kansainvälisesti tunnetuin työ ja yksi Suomen tieteen kansainvälisesti siteeratuimmista yksittäisestä tuloksista. Itseorganisoivan kartan teoriasta ja sovelluksista on kirjoitettu yli 7000 tieteellistä artikkelia. Mallista on käytetty myös nimeä Kohonen map tai Kohonen network. Itseorganisoivassa kartassa tilastolliset yhteydet moniulotteisen datajoukon alkioiden välillä muunnetaan yksinkertaisiksi geometrisiksi suhteiksi, jotka voidaan näyttää esimerkiksi kaksiulotteisena karttana. Moniulotteinen tieto siis pakataan tavalla, jossa tärkeimmät topologiset ja metriset suhteet alkioiden välillä säilyvät, ja lopputuloksena syntyvä kartta voi tarjota jonkinlaisen abstraktion tietosisältöön. Itseorganisoivan kartan sovelluksia ovat mm. puheen- ja hahmontunnistus, visualisointi, tietoliikennetekniikka ja semanttinen web.
  • Le self-organizing map (SOM) sono un particolare tipo di rete neurale artificiale. È addestrata usando l'apprendimento non supervisionato per produrre una rappresentazione dei campioni di training in uno spazio a bassa dimensione preservando le proprietà topologiche dello spazio degli ingressi. Questa proprietà rende le SOM particolarmente utili per la visualizzazione di dati di dimensione elevata. Il modello fu inizialmente descritto dal professore finlandese Teuvo Kohonen e spesso ci si riferisce a questo modello come Mappe di Kohonen.
  • 自己組織化写像（じこそしきかしゃぞう, 英語:Self-organizing maps (SOM), Self-organizing feature maps (SOFM)）とは、 コホネンが提案した、教師なし学習によって、入力データ群をそのデータ間の関係を保ったまま、任意の次元へと写像することができる、大脳皮質の視覚野をモデル化した人工ニューラルネットワークの一種である。 主に1～3次元への写像に用いられ、多次元のデータ間の関係を可視化することができる。 この低次元の空間をマップ(map)、競合層(competitive layer)、もしくは出力層(output layer)と呼ぶ。 出力層に対して入力データ空間を入力層(input layer)と呼ぶこともある。 自己組織化写像はコホネンマップ(Kohonen map)、コホネンネットワーク(Kohonen network)、自己組織化マップ、ソム(SOM)などと呼ぶこともある。 自己組織化写像において、マップは離散データ空間であり、その格子点を人工ニューロンと考える。 この人工ニューロンはノード(node)、もしくはユニット(unit)と呼ぶこともある。
  • Een Kohonen-netwerk, zelf organiserend netwerk of self-Organizing Maps is een kunstmatig neuraal netwerk bedacht door de Finse professor Teuvo Kohonen.
  • Sieć Kohonena – typ sieci neuronowej uczonej w trybie bez nauczyciela. Jest siecią o prostej strukturze – posiada dwie warstwy, a przepływ informacji jest jednokierunkowy. Mimo prostej budowy i nieskomplikowanych metod określających sposób jej funkcjonowania, możliwości aplikacyjne tego typu modelu są olbrzymie.
  • Самоорганизующаяся карта Кохонена (англ. Self-organizing map — SOM) — соревновательная нейронная сеть с обучением без учителя, выполняющая задачу визуализации и кластеризации. Идея сети предложена финским учёным Т. Кохоненом. Является методом проецирования многомерного пространства в пространство с более низкой размерностью (чаще всего, двумерное), применяется также для решения задач моделирования, прогнозирования и др. Является одной из версий нейронных сетей Кохонена.
  • Carte auto adaptative ou auto organisatrice est une classe de réseau de neurones artificiels fondée sur des méthodes d'apprentissage non-supervisées. On la désigne souvent par le terme anglais self organizing map (SOM), on encore carte de Modèle:Lien du nom du statisticien ayant développé le concept en 1984. Elles sont utilisées pour cartographier un espace réel, c'est-à-dire pour étudier la répartition de données dans un espace à grande dimension. En pratique, cette cartographie peut servir à réaliser des tâches de discrétisation, quantification vectorielle ou classification .
dbpedia-owl:thumbnail
dbpedia-owl:wikiPageExternalLink
dcterms:subject
rdf:type
rdfs:comment
  • 自己組織化写像（じこそしきかしゃぞう, 英語:Self-organizing maps (SOM), Self-organizing feature maps (SOFM)）とは、 コホネンが提案した、教師なし学習によって、入力データ群をそのデータ間の関係を保ったまま、任意の次元へと写像することができる、大脳皮質の視覚野をモデル化した人工ニューラルネットワークの一種である。 主に1～3次元への写像に用いられ、多次元のデータ間の関係を可視化することができる。 この低次元の空間をマップ(map)、競合層(competitive layer)、もしくは出力層(output layer)と呼ぶ。 出力層に対して入力データ空間を入力層(input layer)と呼ぶこともある。 自己組織化写像はコホネンマップ(Kohonen map)、コホネンネットワーク(Kohonen network)、自己組織化マップ、ソム(SOM)などと呼ぶこともある。 自己組織化写像において、マップは離散データ空間であり、その格子点を人工ニューロンと考える。 この人工ニューロンはノード(node)、もしくはユニット(unit)と呼ぶこともある。
  • Een Kohonen-netwerk, zelf organiserend netwerk of self-Organizing Maps is een kunstmatig neuraal netwerk bedacht door de Finse professor Teuvo Kohonen.
  • Sieć Kohonena – typ sieci neuronowej uczonej w trybie bez nauczyciela. Jest siecią o prostej strukturze – posiada dwie warstwy, a przepływ informacji jest jednokierunkowy. Mimo prostej budowy i nieskomplikowanych metod określających sposób jej funkcjonowania, możliwości aplikacyjne tego typu modelu są olbrzymie.
  • Самоорганизующаяся карта Кохонена (англ. Self-organizing map — SOM) — соревновательная нейронная сеть с обучением без учителя, выполняющая задачу визуализации и кластеризации. Идея сети предложена финским учёным Т. Кохоненом. Является методом проецирования многомерного пространства в пространство с более низкой размерностью (чаще всего, двумерное), применяется также для решения задач моделирования, прогнозирования и др. Является одной из версий нейронных сетей Кохонена.
  • Als Selbstorganisierende Karten, Kohonenkarten oder Kohonennetze (nach Teuvo Kohonen; engl. self-organizing map, SOM) bezeichnet man eine Art von künstlichen neuronalen Netzen. Sie sind als unüberwachtes Lernverfahren ein leistungsfähiges Werkzeug des Data Mining. Ihr Funktionsprinzip beruht auf der biologischen Erkenntnis, dass viele Strukturen im Gehirn eine lineare oder planare Topologie aufweisen. Die Signale des Eingangsraums, z. B. visuelle Reize, sind jedoch multidimensional.
  • A self-organizing map (SOM) or self-organizing feature map (SOFM) is a type of artificial neural network that is trained using unsupervised learning to produce a low-dimensional (typically two-dimensional), discretized representation of the input space of the training samples, called a map. Self-organizing maps are different from other artificial neural networks in the sense that they use a neighborhood function to preserve the topological properties of the input space.
  • Los mapas autoorganizados o SOM (Self-Organizing Map), también llamados redes de Kohonen son un tipo de red neuronal no supervisada, competitiva, distribuida de forma regular en una rejilla de, normalmente, dos dimensiones, cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo del entrenamiento de la red, los vectores de datos son introducidos en cada neurona y se comparan con el vector de peso característico de cada neurona.
  • Itseorganisoiva kartta on ohjaamattomaan oppimiseen perustuva neuroverkkomalli. Sen on kehittänyt akateemikko Teuvo Kohonen. Hän julkaisi menetelmän 1980-luvulla. Se on Kohosen kansainvälisesti tunnetuin työ ja yksi Suomen tieteen kansainvälisesti siteeratuimmista yksittäisestä tuloksista. Itseorganisoivan kartan teoriasta ja sovelluksista on kirjoitettu yli 7000 tieteellistä artikkelia. Mallista on käytetty myös nimeä Kohonen map tai Kohonen network.
  • Le self-organizing map (SOM) sono un particolare tipo di rete neurale artificiale. È addestrata usando l'apprendimento non supervisionato per produrre una rappresentazione dei campioni di training in uno spazio a bassa dimensione preservando le proprietà topologiche dello spazio degli ingressi. Questa proprietà rende le SOM particolarmente utili per la visualizzazione di dati di dimensione elevata.
  • Carte auto adaptative ou auto organisatrice est une classe de réseau de neurones artificiels fondée sur des méthodes d'apprentissage non-supervisées. On la désigne souvent par le terme anglais self organizing map (SOM), on encore carte de Modèle:Lien du nom du statisticien ayant développé le concept en 1984. Elles sont utilisées pour cartographier un espace réel, c'est-à-dire pour étudier la répartition de données dans un espace à grande dimension.
rdfs:label
  • Selbstorganisierende Karte
  • Self-organizing map
  • Itseorganisoituva kartta
  • Mapa autoorganizado
  • Carte auto adaptative
  • Self-Organizing Map
  • 自己組織化写像
  • Kohonen-netwerk
  • Sieć Kohonena
  • Самоорганизующаяся карта Кохонена
owl:sameAs
foaf:depiction
foaf:page
is dbpedia-owl:wikiPageRedirects of
is owl:sameAs of
is foaf:primaryTopic of