Autoencoders ialah sejenis rangkaian saraf tiruan yang boleh belajar menghasilkan semula set data yang diberikan hanya menggunakan data itu sendiri sebagai input. Pengekod automatik kerap digunakan untuk mengurangkan dimensi data, mempelajari corak kompleks dalam data dan untuk mempelajari perwakilan data untuk tugas pembelajaran tanpa pengawasan.

Pengekod automatik terdiri daripada pengekod, yang mengubah input menjadi perwakilan lapisan tersembunyi, dan penyahkod, yang membina semula input daripada perwakilan lapisan tersembunyi ini. Pengekod dan penyahkod kedua-duanya boleh menjadi rangkaian suapan ke hadapan, rangkaian berulang atau gabungan kedua-duanya. Input dikodkan ke dalam perwakilan padat yang dipanggil ruang terpendam, yang kemudiannya boleh digunakan untuk pelbagai tugas, seperti pengelasan, regresi, pengelompokan, denoising dan banyak lagi.

Pengekod auto boleh dilatih menggunakan pelbagai algoritma, yang paling biasa ialah perambatan balik. Autoencoders juga boleh dilatih menggunakan varian pembelajaran tetulang, seperti pembelajaran tetulang berasaskan provenan.

Selain mengurangkan dimensi data, pengekod auto juga digunakan untuk memberikan cerapan tentang struktur data. Contohnya, ia boleh digunakan untuk mendedahkan hubungan antara titik data dan mempelajari ciri yang penting untuk tugas hiliran.

Autoencoders juga digunakan dalam kawasan lain, seperti untuk membina model generatif dan pengesanan outlier. Baru-baru ini, pengekod auto telah digunakan dalam aplikasi pembelajaran mendalam seperti pembahagian imej dan klasifikasi imej.

Autoencoders ialah alat penting dalam pembangunan kecerdasan buatan dan sistem pembelajaran mesin. Ia digunakan secara meluas dalam penyelidikan untuk pelbagai aplikasi, dan terus menjadi kaedah popular untuk mempelajari perwakilan data.

Autoencoders ialah sejenis rangkaian saraf tiruan yang boleh belajar menghasilkan semula set data yang diberikan hanya menggunakan data itu sendiri sebagai input. Pengekod automatik kerap digunakan untuk mengurangkan dimensi data, mempelajari corak kompleks dalam data dan untuk mempelajari perwakilan data untuk tugas pembelajaran tanpa pengawasan.

Pengekod automatik terdiri daripada pengekod, yang mengubah input menjadi perwakilan lapisan tersembunyi, dan penyahkod, yang membina semula input daripada perwakilan lapisan tersembunyi ini. Pengekod dan penyahkod kedua-duanya boleh menjadi rangkaian suapan ke hadapan, rangkaian berulang atau gabungan kedua-duanya. Input dikodkan ke dalam perwakilan padat yang dipanggil ruang terpendam, yang kemudiannya boleh digunakan untuk pelbagai tugas, seperti pengelasan, regresi, pengelompokan, denoising dan banyak lagi.

Pengekod auto boleh dilatih menggunakan pelbagai algoritma, yang paling biasa ialah perambatan balik. Autoencoders juga boleh dilatih menggunakan varian pembelajaran tetulang, seperti pembelajaran tetulang berasaskan provenan.

Selain mengurangkan dimensi data, pengekod auto juga digunakan untuk memberikan cerapan tentang struktur data. Contohnya, ia boleh digunakan untuk mendedahkan hubungan antara titik data dan mempelajari ciri yang penting untuk tugas hiliran.

Autoencoders juga digunakan dalam kawasan lain, seperti untuk membina model generatif dan pengesanan outlier. Baru-baru ini, pengekod auto telah digunakan dalam aplikasi pembelajaran mendalam seperti pembahagian imej dan klasifikasi imej.

Autoencoders ialah alat penting dalam pembangunan kecerdasan buatan dan sistem pembelajaran mesin. Ia digunakan secara meluas dalam penyelidikan untuk pelbagai aplikasi, dan terus menjadi kaedah popular untuk mempelajari perwakilan data.