Иерархическая временная память (Nyjgj]ncyvtgx fjybyuugx hgbxm,)

Иерархическая Временная Память (англ. Hierarchical temporal memory, HTM) — это частная модель мозга. Разработана Джеффом Хокинсом и Дилипом Джоржом из компании Numenta, Inc. Она моделирует некоторые структурные и алгоритмические свойства неокортекса. HTM модель базируется на теории память-предсказание мозговой функции описанной Джеффом Хокинсом в его книге «Об интеллекте» 2004 года. HTM описываются как биомиметические модели предположения причин интеллектом.

Принципы работы

HTM — это система памяти, она не программируется, не учится выполнять различные алгоритмы для различных проблем, она «учится» решать проблему. Всё зависит от того какие данные ей подавались на сенсоры. HTM похожи на Байесовские сети, но отличаются тем как используется время, иерархия и внимание.^[1]

Главные способности HTM заключаются в способности обнаруживать причины и выдвигать гипотезы о причинах.

Примечания

↑ Джеф Хокинс и Дайлип Джордж, Временная Иерархическая Память. Концепции, Теория и Терминология. Numenta Inc., 2006 -- Hierarchical Temporal Memory. Concepts, Theory, and Terminology Архивная копия от 24 октября 2018 на Wayback Machine / Jeff Hawkins and Dileep George, Numenta Inc (англ.)

Литература

Джеф Хокинс и Дайлип Джордж, Временная Иерархическая Память. Концепции, Теория и Терминология. Numenta Inc., 2006
- Hierarchical Temporal Memory. Concepts, Theory, and Terminology Архивная копия от 24 октября 2018 на Wayback Machine / Jeff Hawkins and Dileep George, Numenta Inc (англ.)

Иерархическая темпоральная память (HTM) и её кортикальные алгоритмы обучения
Towards a Mathematical Theory of Cortical Micro-circuits
Издательство: Вильямс, 2007 г. Твердый переплет, 240 стр. ISBN 978-5-8459-1139-1, 0-8050-7456-2

Ссылки

Организация Numenta

[1] Джеф Хокинс и Дайлип Джордж, Временная Иерархическая Память. Концепции, Теория и Терминология. Numenta Inc., 2006 -- Hierarchical Temporal Memory. Concepts, Theory, and Terminology Архивная копия от 24 октября 2018 на Wayback Machine / Jeff Hawkins and Dileep George, Numenta Inc (англ.)

[1]

Машинное обучение и data mining
Задачи	Задача классификации Обучение без учителя Обучение с частичным привлечением учителя Регрессионный анализ AutoML Ассоциативные правила Выделение признаков Обучение признакам Обучение ранжированию Грамматический вывод Онлайновое обучение
Обучение с учителем	Метод k ближайших соседей Наивный байесовский классификатор Дерево решений Метод опорных векторов Линейная регрессия Логистическая регрессия Перцептрон Ансамблевое обучение Бэггинг Бустинг Метод случайного леса Метод релевантных векторов
Кластерный анализ	Метод k-средних Метод нечёткой кластеризации Иерархическая кластеризация EM-алгоритм BIRCH CURE DBSCAN OPTICS Mean-shift
Снижение размерности	Факторный анализ Метод главных компонент CCA ICA LDA Неотрицательное матричное разложение t-SNE
Структурное прогнозирование	Графовая вероятностная модель Байесовская сеть Скрытая марковская модель CRF
Выявление аномалий	Метод k ближайших соседей Локальный уровень выброса
Графовые вероятностные модели	Байесовская сеть Марковская сеть Скрытая марковская модель
Нейронные сети	Ограниченная машина Больцмана Самоорганизующаяся карта Функция активации Сигмоида Softmax Радиально-базисная функция Метод обратного распространения ошибки Глубокое обучение Многослойный перцептрон Рекуррентная нейронная сеть Долгая краткосрочная память Управляемый рекуррентный блок Свёрточная нейронная сеть U-Net Автокодировщик
Обучение с подкреплением	Марковский процесс Уравнение Беллмана Жадный алгоритм Q-обучение SARSA Temporal difference (TD)
Теория	Размерность Вапника — Червоненкиса Дилемма смещения–дисперсии Теория вычислительного обучения Минимизация эмпирического риска Оккамово обучение PAC learning Статистическая теория обучения
Журналы и конференции	NeurIPS ICML ML JMLR ArXiv:cs.LG