Réseau de croyance profond (DBN)
Un réseau de croyance profond est un modèle probabiliste génératif composé de multiples couches de variables stochastiques latentes. Introduits par Hinton, Osindero et Teh en 2006, les DBN furent parmi les premières architectures profondes à être entraînées efficacement. Chaque paire de couches adjacentes forme une machine de Boltzmann restreinte (RBM), et le réseau est entraîné de manière gloutonne, une couche à la fois, avant un réglage fin supervisé optionnel. Les DBN ont ravivé l'intérêt pour l'apprentissage profond et démontré que l'apprentissage hiérarchique de caractéristiques à partir de données brutes est réalisable.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Hinton, G. E., Osindero, S., & Teh, Y.-W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527–1554. DOI: 10.1162/neco.2006.18.7.1527 ↗
Comment citer cette page
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/fr/deep-learning/deep-belief-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AutoencodeurApprentissage profond↔ compare
- Perceptron multicouche (MLP)Apprentissage profond↔ compare
- Machine de Boltzmann restreinte (RBM)Apprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →