https://monobook.org/w/index.php?action=history&feed=atom&title=%E7%89%B9%E5%BE%B4%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB 2026-06-04T12:20:39Z このウィキのこのページに関する変更履歴 MediaWiki 1.42.1 https://monobook.org/w/index.php?title=%E7%89%B9%E5%BE%B4%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB&diff=22724&oldid=prev 2024-10-01T12:44:54Z

<p></p> <table style="background-color: #fff; color: #202122;" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="ja"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← 古い版</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">2024年10月1日 (火) 12:44時点における版</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l12">12行目:</td> <td colspan="2" class="diff-lineno">12行目:</td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>特徴ベクトルは、ニューラルネットワークの入力層に供給され、隠れ層を通じて処理され、最終的に出力層で予測や分類が行われます。このプロセスを通じて、ニューラルネットワークはデータのパターンを学習し、予測精度を向上させます。</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>特徴ベクトルは、ニューラルネットワークの入力層に供給され、隠れ層を通じて処理され、最終的に出力層で予測や分類が行われます。このプロセスを通じて、ニューラルネットワークはデータのパターンを学習し、予測精度を向上させます。</div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;"></ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">&lt;amazon&gt;ベクトル ニューラルネットワーク&lt;/amazon&gt;</ins></div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>[[カテゴリ:機械学習]]</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>[[カテゴリ:機械学習]]</div></td></tr> </table>

Administrator https://monobook.org/w/index.php?title=%E7%89%B9%E5%BE%B4%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB&diff=21499&oldid=prev 2024-08-16T07:57:23Z

<p>ページの作成:「&#039;&#039;&#039;特徴ベクトル&#039;&#039;&#039;とは、機械学習モデルの「入力データ」のことで、だいたいの場合は「1次元の数字の配列」です。特徴ベク…」</p> <p><b>新規ページ</b></p><div>&#039;&#039;&#039;特徴ベクトル&#039;&#039;&#039;とは、機械学習モデルの「入力データ」のことで、だいたいの場合は「1次元の数字の配列」です。特徴ベクトルは、[[ニューラルネットワーク]]が[[データ]]を理解し、学習するための基礎となります。<br /> <br /> === 画像 ===<br /> 画像認識のタスクでは画像のピクセル値を特徴ベクトルとして使用します。<br /> <br /> たとえば2次元のカラー画像を、RGBの3チャンネルから1チャンネル化（グレースケールに変換）し、さらに1次元の浮動小数点数の配列（特徴ベクトル）に変換するなどといったことが行われます。<br /> <br /> 同様にカラーのまま1次元の浮動小数点数の配列（特徴ベクトル）に変換するモデルもあります。<br /> <br /> === 自然言語処理 ===<br /> 自然言語処理では、単語や文の出現頻度や重要度を数値化した配列が特徴ベクトルとなります。<br /> <br /> 特徴ベクトルは、ニューラルネットワークの入力層に供給され、隠れ層を通じて処理され、最終的に出力層で予測や分類が行われます。このプロセスを通じて、ニューラルネットワークはデータのパターンを学習し、予測精度を向上させます。<br /> <br /> <br /> [[カテゴリ:機械学習]]</div>

Administrator