Carte auto-organisée (som)

Définition - Que signifie la carte auto-organisée (SOM)?

Une carte auto-organisée (SOM) est un type de réseau neuronal artificiel qui utilise l'apprentissage non supervisé pour construire une carte bidimensionnelle d'un espace de problème. La principale différence entre une carte auto-organisée et d'autres approches de résolution de problèmes est qu'une carte auto-organisée utilise l'apprentissage compétitif plutôt que l'apprentissage par correction d'erreurs comme la rétropropagation avec descente de gradient.

Une carte auto-organisée peut générer une représentation visuelle des données sur une grille hexagonale ou rectangulaire. Les applications comprennent la météorologie, l'océanographie, la priorisation des projets et l'exploration pétrolière et gazière.

Une carte auto-organisée est également connue sous le nom de carte de caractéristiques auto-organisée (SOFM) ou de carte de Kohonen.

Definir Tech explique la carte auto-organisée (SOM)

Une carte auto-organisée est un type de réseau neuronal artificiel qui tente de construire une carte bidimensionnelle d'un espace de problème. L'espace du problème peut être n'importe quoi, des votes au Congrès américain, des cartes de couleurs et même des liens entre les articles de Wikipédia.

Le but est d'essayer de refléter la façon dont le cortex visuel dans le cerveau humain voit les objets à l'aide de signaux générés par les nerfs optiques. Le but est de faire en sorte que tous les nœuds du réseau répondent différemment aux différentes entrées. Une carte auto-organisée utilise l'apprentissage compétitif où les nœuds finissent par se spécialiser.

Lorsqu'elles sont alimentées en données d'entrée, la distance euclidienne, ou la distance en ligne droite entre les nœuds, qui reçoivent un poids, est calculée. Le nœud du réseau qui est le plus similaire aux données d'entrée est appelé la meilleure unité de correspondance (BMU).

Au fur et à mesure que le réseau neuronal se déplace dans l'ensemble de problèmes, les pondérations commencent à ressembler davantage aux données réelles. Le réseau de neurones s'est ainsi entraîné à voir des modèles dans les données de la même manière qu'un humain le voit.

L'approche diffère des autres techniques d'IA telles que l'apprentissage supervisé ou l'apprentissage de correction d'erreurs, mais sans utiliser de signaux d'erreur ou de récompense pour entraîner un algorithme. Ainsi, une carte auto-organisée est une sorte d'apprentissage non supervisé.