Hierarkisk midlertidig hukommelse

Den aktuelle version af siden er endnu ikke blevet gennemgået af erfarne bidragydere og kan afvige væsentligt fra den version , der blev gennemgået den 2. august 2019; checks kræver 2 redigeringer .

Hierarchical Temporal Memory ( HTM ) er en særlig model af hjernen . Udviklet af Jeff Hawkins og Dilip George fra Numenta, Inc. Den modellerer nogle af de strukturelle og algoritmiske egenskaber af neocortex . HTM-modellen er baseret på hukommelsesforudsigelsesteorien om hjernefunktion beskrevet af Jeff Hawkins i hans bog fra 2004 On Intelligence . HTM'er beskrives som biomimetiske modeller af fornuftsslutning ved intelligens.

Funktionsprincipper

HTM er et hukommelsessystem, det programmerer ikke, det lærer ikke at køre forskellige algoritmer til forskellige problemer, det "lærer" at løse problemet. Det hele afhænger af, hvilke data hun blev tilført til sensorerne. HTM'er ligner Bayesianske netværk , men adskiller sig i, hvordan tid, hierarki og opmærksomhed bruges. [en]

HTM'ens hovedegenskaber ligger i evnen til at opdage årsager og opstille hypoteser om årsager.

Noter

↑ Jeff Hawkins og Dilip George, Temporal Hierarchical Memory. Begreber, teori og terminologi. Numenta Inc., 2006 -- Hierarkisk Temporal Memory. Koncepter, teori og terminologi Arkiveret 24. oktober 2018 på Wayback Machine / Jeff Hawkins og Dileep George, Numenta Inc.

Litteratur

Jeff Hawkins og Dilip George, Temporal Hierarchical Memory. Begreber, teori og terminologi. Numenta Inc., 2006
- Hierarkisk Temporal Hukommelse. Koncepter, teori og terminologi Arkiveret 24. oktober 2018 på Wayback Machine / Jeff Hawkins og Dileep George, Numenta Inc.

Hierarkisk tidshukommelse (HTM) og dens kortikale indlæringsalgoritmer
Mod en matematisk teori om kortikale mikrokredsløb
Udgiver: Williams, 2007 Hardcover, 240 s. ISBN 978-5-8459-1139-1 , 0-8050-7456-2

Links

Numenta organisation

Machine learning og data mining
Opgaver	Klassificeringsproblem Læring uden lærer Lærerassisteret læring Regressions analyse AutoML Foreningens regler Feature Extraction Træning af træk Ranking træning Grammatisk afledning Online læring
At lære med en lærer	k-nærmeste nabo metode Naiv Bayes Classifier beslutningstræ Support vektor maskine Lineær regression Logistisk regression perceptron Ensembler af modeller Bagning boostning tilfældig skov Relevant vektormetode
klyngeanalyse	k-betyder metode Fuzzy klyngemetode Hierarkisk klyngedannelse EM algoritme BIRKE HELBREDE DBSCAN OPTIK Middel-forskydning
Dimensionalitetsreduktion	Faktoranalyse Hovedkomponentmetode CCA ICA LDA Ikke-negativ matrixudvidelse t-SNE
Strukturel prognose	Graf probabilistisk model Bayesiansk netværk Skjult Markov-model CRF
Anomali detektion	k-nærmeste nabo metode Lokalt emissionsniveau
Grafer sandsynlighedsmodeller	Bayesiansk netværk Markov netværk Skjult Markov-model
Neurale netværk	Begrænset Boltzmann-maskine selvorganiserende kort Aktiveringsfunktion Sigmoid softmax Radial basisfunktion Rygformeringsmetode Dyb læring Flerlagsperceptron Tilbagevendende neurale netværk lang korttidshukommelse Kontrolleret tilbagevendende blokering Konvolutionelt neuralt netværk U-net Autoencoder
Forstærkende læring	Markov proces Bellmans ligning Grådig algoritme Q-læring SARSA Temporal forskel (TD)
Teori	Vapnik-Chervonenkis teori Bias-Dispersion Dilemma Beregningsmæssig læringsteori Empirisk risikominimering Occams læring PAC læring Statistisk læringsteori
Tidsskrifter og konferencer	NeurIPS ICML ML JMLR ArXiv:cs.LG