Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Автокодувальник× | Метод опорних векторів (класифікація)× | |
|---|---|---|
| Галузь≠ | Глибоке навчання | Машинне навчання |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 2006 | 1995 |
| Автор методу≠ | Hinton, G.E. & Salakhutdinov, R.R. | Cortes, C. & Vapnik, V. |
| Тип≠ | Neural network (encoder-decoder) | Maximum-margin classifier (kernel method) |
| Основоположне джерело≠ | Hinton, G.E. & Salakhutdinov, R.R. (2006). Reducing the Dimensionality of Data with Neural Networks. Science, 313(5786), 504–507. DOI ↗ | Cortes, C. & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20, 273–297. DOI ↗ |
| Інші назви | Otokodlayıcı (Autoencoder), otokodlayıcı, auto-encoder, encoder-decoder network | Destek Vektör Makinesi (SVM — Sınıflandırma), support-vector network, SVM classifier, maximum-margin classifier |
| Пов'язані≠ | 4 | 5 |
| Підсумок≠ | An autoencoder is an encoder-decoder neural network, popularised by Hinton and Salakhutdinov in 2006, that compresses data into a low-dimensional latent code and then reconstructs it, enabling dimensionality reduction and anomaly detection. By learning to rebuild its own input through a narrow bottleneck, it discovers a compact representation of the data. | The Support Vector Machine, introduced by Corinna Cortes and Vladimir Vapnik in 1995, is a classifier that finds the optimal separating hyperplane between classes in a high-dimensional space. It chooses the boundary that leaves the widest possible margin to the nearest training points, which makes its decisions robust on new data. |
| ScholarGateНабір даних ↗ |
|
|