Rangkaian Neural Bergelung (Pengelasan)
Rangkaian Neural Bergelung (CNN) ialah model pembelajaran mendalam, yang diasaskan oleh LeCun dan rakan-rakan pada tahun 1998, yang mempelajari corak tempatan secara langsung daripada imej dan data berstruktur untuk mengelaskannya. Tindanan penapis bergelung menemukan ciri-ciri yang semakin abstrak, oleh itu kejuruteraan ciri secara manual dapat dikurangkan dengan banyaknya.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11), 2278–2324. DOI: 10.1109/5.726791 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Convolutional Neural Network for Classification. ScholarGate. https://scholargate.app/ms/deep-learning/cnn-classification
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.
- AutoenkoderPembelajaran Mendalam↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Mesin Vektor Sokongan (Klasifikasi)Pembelajaran Mesin↔ compare
- Transformer (NLP)Pembelajaran Mendalam↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →