Since data analysis tasks often hav

Since data analysis tasks often have to deal with complex data structures, the nonlinear
dimensionality reduction methods such as ISOMAP and LLE need to be used in exploratory data
analysis. These techniques attempt to preserve either the local or the global geometry of the original
data, and they perform implicit mapping between the original data space and an embedding space.
Nevertheless, these methods are not compatible with large-scale datasets. There is a need to
improve existing methods by using a combination of vector quantization (VQ) and mapping methods.
VQ can be used for data representation and nonlinear mapping is used in order to visualize the
internal structure in a low-dimensional vector space. In this work, we will introduce VQ-based method,
i.e. the online visualization neural gas (OVING), for extracting the data structure and finding explicit
mapping between two data spaces. Interestingly, an explicit mapping, either forward or inverse
mapping, can be used as a substitute for supervised learning algorithm.
Thus, this mapping is useful for the tasks of system identification and pattern recognition. To
identify the benefits of OVING based mapping, several applications are demonstrated on problems of
system identification and pattern classification.

ผลลัพธ์ (ไทย) 1:

เนื่องจากข้อมูลวิเคราะห์งานมักจะมีการจัดการกับโครงสร้างข้อมูลซับซ้อน การไม่เชิงเส้นวิธีลด dimensionality ISOMAP และ LLE จำเป็นต้องใช้ข้อมูลเชิงบุกเบิกวิเคราะห์ เทคนิคเหล่านี้พยายามรักษาท้องถิ่นหรือส่วนกลางเรขาคณิตของเดิมข้อมูล และพวกเขาดำเนินการแม็ปนัยระหว่างข้อมูลพื้นที่เดิมและพื้นที่เป็น embeddingอย่างไรก็ตาม วิธีการเหล่านี้ไม่เข้ากันได้กับ datasets ขนาดใหญ่ ไม่จำเป็นต้องมีปรับปรุงวิธีการอยู่วิธีการแมป โดยใช้เวกเตอร์ quantization (แรมโลว์)สามารถใช้แรมโลว์สำหรับนำเสนอข้อมูล และใช้แมปไม่เชิงเส้นการมองเห็นภาพโครงสร้างภายในเป็นเวกเตอร์มิติต่ำ ในงานนี้ เราจะแนะนำวิธีใช้แรมโลว์เช่นการแสดงภาพประกอบเพลงออนไลน์ประสาทแก๊ส (oving โภคภัณฑ์), แยกโครงสร้างข้อมูล และค้นหาอย่างชัดเจนการแม็ประหว่างช่องว่างของข้อมูล เป็นเรื่องน่าสนใจ ความชัดเจนการแม็ป ไปข้างหน้า หรือผกผันการแม็ป สามารถใช้ทดแทนการเรียนรู้ที่มีอัลกอริทึมดังนั้น การแมปนี้มีประโยชน์สำหรับงานของระบบรหัสและรูปแบบการรับรู้ ถึงระบุประโยชน์ของ oving โภคภัณฑ์ตามแมป สาธิตใช้งานในปัญหาของระบบรหัสและรูปแบบการจัดประเภทการ

ผลลัพธ์ (ไทย) 2:

ตั้งแต่งานวิเคราะห์ข้อมูลมักจะมีการจัดการกับโครงสร้างข้อมูลที่ซับซ้อนเชิงเส้น
วิธีการลดมิติเช่น Isomap และ LLE จะต้องมีการใช้ในการสำรวจข้อมูล
การวิเคราะห์ เทคนิคเหล่านี้พยายามที่จะรักษาทั้งในประเทศหรือทั่วโลกเรขาคณิตของเดิม
ข้อมูลและการที่พวกเขาดำเนินการทำแผนที่โดยปริยายระหว่างพื้นที่ข้อมูลเดิมและพื้นที่ฝัง.
แต่วิธีการเหล่านี้ไม่สามารถใช้ร่วมกับชุดข้อมูลขนาดใหญ่ มีความต้องการที่จะเป็น
ปรับปรุงวิธีการที่มีอยู่โดยใช้การรวมกันของเวกเตอร์ (VQ) และวิธีการทำแผนที่.
VQ สามารถใช้สำหรับการแสดงข้อมูลและการทำแผนที่เชิงเส้นที่ใช้ในการสั่งซื้อเพื่อให้มองเห็น
โครงสร้างภายในในปริภูมิเวกเตอร์ต่ำมิติ ในงานนี้เราจะมาแนะนำวิธีการ VQ ตาม
คือการสร้างภาพออนไลน์ก๊าซประสาท (OVING) สำหรับการแยกโครงสร้างข้อมูลและการค้นหาอย่างชัดเจน
การทำแผนที่ระหว่างสองพื้นที่ข้อมูล ที่น่าสนใจ, การทำแผนที่อย่างชัดเจนไม่ว่าจะไปข้างหน้าหรือตรงกันข้าม
การทำแผนที่สามารถนำมาใช้แทนสำหรับวิธีการเรียนรู้ภายใต้การดูแล.
ดังนั้นการทำแผนที่นี้จะเป็นประโยชน์สำหรับการทำงานของระบบบัตรประจำตัวและการจดจำรูปแบบ ในการ
ระบุผลประโยชน์ของการทำแผนที่ตาม OVING การใช้งานหลายแสดงให้เห็นถึงปัญหาของ
ระบบการระบุและการจัดรูปแบบ

ผลลัพธ์ (ไทย) 3:

เนื่องจากงานการวิเคราะห์ข้อมูลมักจะจัดการกับโครงสร้างข้อมูลที่ซับซ้อน ไม่เชิง
dimensionality ลดวิธีการเช่น isomap ที่ไหนและต้องใช้ในการวิเคราะห์ ข้อมูลสำรวจ
. เทคนิคเหล่านี้พยายามที่จะรักษาทั้งท้องถิ่นหรือเรขาคณิตทั่วโลกของข้อมูลเดิม
และพวกเขาแสดงแผนที่แยกระหว่างข้อมูลเดิมพื้นที่และการฝังตัวของพื้นที่ .
อย่างไรก็ตามวิธีการเหล่านี้จะไม่เข้ากันได้กับชุดข้อมูลขนาดใหญ่ มีความต้องการ
ปรับปรุงวิธีการเดิมโดยใช้การรวมกันของ quantization เวกเตอร์ ( vq ) และวิธีการทำแผนที่ .
vq สามารถใช้สำหรับการแทนข้อมูลและแผนที่เชิงเส้นจะถูกใช้ในการเห็นภาพ
โครงสร้างภายในในปริภูมิเวกเตอร์มิติต่ำ ในงานนี้เราจะแนะนำวิธี vq ตาม
เช่นการแสดงออนไลน์ประสาทก๊าซ ( มากกว่า ) เพื่อแยกข้อมูลโครงสร้างและการหาแผนที่ชัดเจน
ระหว่างสองข้อมูลเป็น . น่าสนใจ เป็นแผนที่ชัดเจน ไม่ว่าจะไปข้างหน้าหรือแผนที่ผกผัน
, สามารถใช้ทดแทนการอัลกอริทึมการเรียนรู้ .
ดังนั้น แผนที่นี้จะเป็นประโยชน์สำหรับงานของตัวระบบ และรูปแบบ .

ระบุประโยชน์ของมากกว่าแผนที่ตามโปรแกรมต่างๆ ให้กับปัญหาของระบบการจำแนกและการจำแนก
รูปแบบ