Tabla de contenido:
- Definición: ¿Qué significa el Mapa de autoorganización (SOM)?
- Techopedia explica el mapa autoorganizado (SOM)
Definición: ¿Qué significa el Mapa de autoorganización (SOM)?
Un mapa autoorganizado (SOM) es un tipo de red neuronal artificial que utiliza el aprendizaje no supervisado para construir un mapa bidimensional de un espacio problemático. La diferencia clave entre un mapa autoorganizado y otros enfoques para la resolución de problemas es que un mapa autoorganizado utiliza el aprendizaje competitivo en lugar del aprendizaje de corrección de errores, como la propagación hacia atrás con descenso de gradiente.
Un mapa autoorganizado puede generar una representación visual de datos en una cuadrícula hexagonal o rectangular. Las aplicaciones incluyen meteorología, oceanografía, priorización de proyectos y exploración de petróleo y gas.
Un mapa autoorganizado también se conoce como mapa de características autoorganizativo (SOFM) o mapa Kohonen.
Techopedia explica el mapa autoorganizado (SOM)
Un mapa autoorganizado es un tipo de red neuronal artificial que intenta construir un mapa bidimensional de algún espacio problemático. El espacio del problema puede ser cualquier cosa, desde votos en el Congreso de los Estados Unidos, mapas de colores e incluso enlaces entre artículos de Wikipedia.
El objetivo es intentar reflejar la forma en que la corteza visual en el cerebro humano ve los objetos utilizando señales generadas por los nervios ópticos. El objetivo es hacer que todos los nodos de la red respondan de manera diferente a las diferentes entradas. Un mapa autoorganizado hace uso del aprendizaje competitivo donde los nodos eventualmente se especializan.
Cuando se alimentan datos de entrada, se calcula la distancia euclidiana o la distancia en línea recta entre los nodos, a los que se les asigna un peso. El nodo en la red que es más similar a los datos de entrada se llama la mejor unidad de coincidencia (BMU).
A medida que la red neuronal se mueve a través del conjunto de problemas, los pesos comienzan a parecerse más a los datos reales. Por lo tanto, la red neuronal se ha entrenado para ver patrones en los datos de la misma manera que un humano ve.
El enfoque difiere de otras técnicas de IA, como el aprendizaje supervisado o el aprendizaje de corrección de errores, pero sin utilizar señales de error o recompensa para entrenar un algoritmo. Por lo tanto, un mapa autoorganizado es un tipo de aprendizaje no supervisado.
