This HTML5 document contains 40 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
n18http://g.co/kg/g/
dcthttp://purl.org/dc/terms/
dbohttp://dbpedia.org/ontology/
foafhttp://xmlns.com/foaf/0.1/
dbpedia-ukhttp://uk.dbpedia.org/resource/
rdfshttp://www.w3.org/2000/01/rdf-schema#
category-frhttp://fr.dbpedia.org/resource/Catégorie:
dbpedia-elhttp://el.dbpedia.org/resource/
n6http://fr.dbpedia.org/resource/Modèle:
dbpedia-fahttp://fa.dbpedia.org/resource/
wikipedia-frhttp://fr.wikipedia.org/wiki/
n21http://fr.dbpedia.org/resource/Modèle:Traduction/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
owlhttp://www.w3.org/2002/07/owl#
n8http://ma-graph.org/entity/
dbpedia-zhhttp://zh.dbpedia.org/resource/
dbpedia-frhttp://fr.dbpedia.org/resource/
prop-frhttp://fr.dbpedia.org/property/
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
dbrhttp://dbpedia.org/resource/
wikidatahttp://www.wikidata.org/entity/
dbpedia-jahttp://ja.dbpedia.org/resource/

Statements

Subject Item
dbpedia-fr:Extreme_learning_machine
rdfs:label
极限学习机 Extreme learning machine Extreme learning machine
rdfs:comment
En apprentissage automatique, le terme extreme learning machine fait référence à un type de réseau de neurones. Sa spécificité est de n'avoir qu'une seule couche de nœuds cachés, où les poids des entrées de connexion de nœuds cachés sont répartis au hasard et jamais mis à jour. Ces poids entre les nœuds cachés d'entrée et les sorties sont appris en une seule étape, ce qui revient essentiellement à l'apprentissage d'un modèle linéaire. Le nom "extreme learning machine" (ELM) a été donné à ces modèles par Guang-Bin Huang, mais le principe était déjà connu.
owl:sameAs
dbpedia-el:Μηχανές_ακραίας_μάθησης dbpedia-fa:ماشین_یادگیری_افراطی n8:2780150128 wikidata:Q21948731 dbpedia-uk:Машина_екстремального_навчання dbr:Extreme_learning_machine n18:11bv3xkb61 dbpedia-ja:エクストリーム・ラーニング・マシン dbpedia-zh:极限学习机
dbo:wikiPageID
9676444
dbo:wikiPageRevisionID
188989621
dbo:wikiPageWikiLink
dbpedia-fr:Machine_à_état_liquide category-fr:Science_des_données category-fr:Apprentissage_automatique dbpedia-fr:Pseudo-inverse dbpedia-fr:Méthode_des_moindres_carrés dbpedia-fr:Apprentissage_automatique category-fr:Neurone dbpedia-fr:Perceptron_multicouche dbpedia-fr:Réseau_de_neurones_artificiels category-fr:Exploration_de_données dbpedia-fr:Rétropropagation_du_gradient
dbo:wikiPageLength
4091
dct:subject
category-fr:Science_des_données category-fr:Exploration_de_données category-fr:Apprentissage_automatique category-fr:Neurone
prop-fr:wikiPageUsesTemplate
n6:Références n6:Formule n21:Référence n6:Palette n6:Sources_secondaires n6:Portail
prov:wasDerivedFrom
wikipedia-fr:Extreme_learning_machine?oldid=188989621&ns=0
foaf:isPrimaryTopicOf
wikipedia-fr:Extreme_learning_machine
dbo:abstract
En apprentissage automatique, le terme extreme learning machine fait référence à un type de réseau de neurones. Sa spécificité est de n'avoir qu'une seule couche de nœuds cachés, où les poids des entrées de connexion de nœuds cachés sont répartis au hasard et jamais mis à jour. Ces poids entre les nœuds cachés d'entrée et les sorties sont appris en une seule étape, ce qui revient essentiellement à l'apprentissage d'un modèle linéaire. Le nom "extreme learning machine" (ELM) a été donné à ces modèles par Guang-Bin Huang, mais le principe était déjà connu. Ces modèles peuvent produire une bonne performance de généralisation et avoir un processus d'apprentissage beaucoup plus rapide que les réseaux formés en utilisant la rétropropagation du gradient.