76
правок
Изменения
→Источники информации
Мы хотим научиться создавать правдоподобный объект относительно некоторой скрытой структуры исходных объектов. Давайте изучим распределение по ним, а затем просто будем сэмплировать новый объект из этого распределения. Значит эта задача относится к классу задач [[Общие понятия#Обучение без учителя (англ. Unsupervised learning)|обучения без учителя]].
== Порождающие Вычисление распределения ==[[Файл:Taxonomy.png|500px|thumb|right]]Оценка плотности распределения является основной задачей порождающих моделей. Два основных подхода:* Явный: определить распределение <tex>p_{model}</tex>, описывающее объекты и генерировать данные из него* Неявный: получить некоторое распределение, оценить его близость с <tex>p_{model}</tex> через дивергенцию Кульбака-Лейблера<ref>[https://ru.wikipedia.org/wiki/Расстояние_Кульбака_—_Лейблера Расстояние Кульбака—Лейблера]</ref> == Глубокие порождающие модели на основе нейронных сетей ==
*[[Generative Adversarial Nets (GAN)|Порождающие состязательные сети]]
*[[Автокодировщик]]
== Источники информации ==
*[https://en.wikipedia.org/wiki/Generative_model Generative_model]* [https://developers.google.com/machine-learning/gan/generative Google courses с примерами на понимание]
[[Категория: Машинное обучение]]
[[Категория: Порождающие модели]]
