U-matrix

Dans cet article, nous plongeons dans le monde fascinant de U-matrix, explorant ses multiples facettes, son impact sur la société, son évolution dans le temps et sa pertinence dans le contexte actuel. Depuis ses origines jusqu'à nos jours, U-matrix a joué un rôle fondamental dans divers domaines, générant des débats, des réflexions et des émotions chez ceux qui l'ont vécu. A travers une analyse détaillée, nous examinerons son influence sur différentes cultures, son importance dans l'histoire et sa projection dans le futur. Peu importe que U-matrix soit une personne, un sujet, une date ou tout autre élément, car sa signification transcende les frontières et ouvre des possibilités infinies pour comprendre son essence et son impact sur le monde qui nous entoure.

Ne doit pas être confondu avec Matrice unitaire.

Cet article est une ébauche concernant l’informatique théorique.

Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

Une U-matrix (unified distance matrix en anglais) est un concept d'apprentissage automatique, pour certains réseaux de neurones artificiels. Plus précisément, c'est une représentation d'une carte auto-adaptative où les distances euclidiennes entre les poids associés aux neurones voisins sont représentées par une image en tons de gris.

Les U-Matrix sont utilisées pour visualiser des données exprimées dans un espace de grandes dimensions sur image 2D^[1].

Notes et références

1. ↑ (en) Alfred Ultsch, H. Peter Siemon, Bernard Widrow (éditeur) et Bernard Angeniol (éditeur), Proceedings of the International Neural Network Conference (INNC-90), Paris, France, July 9–13, 1990, 1, Dordrecht, Netherlands, Kluwer, 1990 (ISBN 978-0-7923-0831-7 et 0-7923-0831-X, lire en ligne), « Kohonen's Self Organizing Feature Maps for Exploratory Data Analysis », p. 305–308

Liens externes

• (en) Jaakko Hollmen, « U-matrix », sur Université Aalto, 1996

v · m Apprentissage automatique et exploration de données
Paradigmes d'apprentissage	Apprentissage supervisé auto-supervisé semi-supervisé ou non supervisé Apprentissage par renforcement, par transfert ou incrémental
Problèmes	Classement Clustering Détection d'anomalies Optimisation en ligne Modèle génératif Régression Règle d'association Réduction de dimensions Analyse factorielle Sélection de caractéristique Extraction de caractéristique
Apprentissage supervisé	Classement Arbre de décision k-NN U-matrix CRF Régression logistique Régression Modèle linéaire généralisé Régression linéaire Régression de Poisson Modèle probit Analyse discriminante linéaire Machine à vecteurs de support Prédiction structurée Modèle graphique Classification naïve bayésienne Réseau bayésien Modèle de Markov caché Réseau de neurones artificiels récurrents (+ Rétropropagation à travers le temps) Calcul par réservoir à action directe (+ Rétropropagation du gradient) Apprentissage profond Perceptron Perceptron multicouche Réseau neuronal convolutif à impulsions
Apprentissage non supervisé et auto-supervisé	Clustering Regroupement hiérarchique K-moyennes Algorithme espérance-maximisation DBSCAN OPTICS Réduction de dimensions ACP ACP à noyaux Analyse en composantes indépendantes Analyse canonique des corrélations Analyse canonique à noyaux t-SNE Réseau de neurones artificiels Auto-encodeur IA générative et Modèle génératif Réseau de neurones artificiels Réseaux antagonistes génératifs (classique ou de Wasserstein) Auto-encodeur variationnel Réseau de Hopfield Machine de Boltzmann restreinte Cartes de Kohonen Transformeur
Métaheuristique d'optimisation	Stratégie d'évolution et génétique NEAT HyperNEAT Essaims Apprentissage ensembliste Forêts aléatoires Boosting
Théorie	Apprentissage PAC Complexité de Rademacher Dilemme biais-variance Hypothèse de la variété Théorie de Vapnik-Chervonenkis pulvérisation Dimension de Vapnik-Chervonenkis Théorème de Cover
Logiciels	Keras Microsoft Cognitive Toolkit Scikit-learn TensorFlow Theano Weka PyTorch

• Portail des bases de données
• Portail de l'informatique théorique