Hierarchical temporal memory (original) (raw)
Ein hierarchischer Temporalspeicher (englisch hierarchical temporal memory, HTM) ist ein Modell des maschinellen Lernens, welches von Jeff Hawkins und Dileep George entwickelt wurde. Dieses Modell bildet einige Eigenschaften des Neocortex ab.
| Property | Value |
|---|---|
| dbo:abstract | Ein hierarchischer Temporalspeicher (englisch hierarchical temporal memory, HTM) ist ein Modell des maschinellen Lernens, welches von Jeff Hawkins und Dileep George entwickelt wurde. Dieses Modell bildet einige Eigenschaften des Neocortex ab. (de) Hierarchical temporal memory (HTM) is a biologically constrained machine intelligence technology developed by Numenta. Originally described in the 2004 book On Intelligence by Jeff Hawkins with Sandra Blakeslee, HTM is primarily used today for anomaly detection in streaming data. The technology is based on neuroscience and the physiology and interaction of pyramidal neurons in the neocortex of the mammalian (in particular, human) brain. At the core of HTM are learning algorithms that can store, learn, infer, and recall high-order sequences. Unlike most other machine learning methods, HTM constantly learns (in an unsupervised process) time-based patterns in unlabeled data. HTM is robust to noise, and has high capacity (it can learn multiple patterns simultaneously). When applied to computers, HTM is well suited for prediction, anomaly detection, classification, and ultimately sensorimotor applications. HTM has been tested and implemented in software through example applications from Numenta and a few commercial applications from Numenta's partners. (en) La mémoire temporelle et hiérarchique (en anglais Hierarchical temporal memory (HTM)) est un modèle d'apprentissage automatique développé par Jeff Hawkins et Dileep George de la compagnie Numenta. Il modélise certaines propriétés structurelles et algorithmiques du néocortex. C'est un modèle biomimétique fondé sur le paradigme mémoire-prédiction, une théorie du fonctionnement du cerveau élaborée par Jeff Hawkins dans son livre On Intelligence. Ce modèle permet de découvrir et d'inférer les causes à haut niveau des motifs et séquences observés dans les données, bâtissant ainsi un modèle complexe du monde. (fr) Hierarchiczna pamięć (HTM) – model uczenia maszyn opracowany przez i z firmy , który odzwierciedla strukturalne i algorytmiczne właściwości (neocortex). Model ten używa podejścia podobnego do sieci bayesowskich. Model HTM jest oparty na teorii – teorii działania mózgu opisanej przez w jego książce . Sieci HTM są uważane za bionaśladowcze modele wnioskowania o przyczynach. Model ten jest podobny do pracy i Davida Mumforda. (pl) 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. (ru) Ієрархі́чна часова́ па́м'ять (ІЧП, англ. Hierarchical temporal memory, HTM) — це продиктована біологією технологія машинного інтелекту, розроблювана компанією Numenta. Первинно описану з в книзі 2004 року «Про інтелект», ІЧП натепер переважно використовують для виявляння аномалій у потокових даних. Ця технологія ґрунтується на нейронауці та фізіології та взаємодії у новій корі ссавцевого (зокрема, людського) головного мозку. В основі ІЧП лежать алгоритми навчання, які можуть зберігати високопорядкові послідовності, навчатися їх, робити висновки стосовно них, та згадувати їх. На відміну від більшості інших алгоритмів машинного навчання, ІЧП безперервно навчається (спонтанним чином) часових образів у немічених даних. ІЧП є стійкою до шуму, і має високу ємність (вона може навчатися декількох образів одночасно). При застосуванні до комп'ютерів ІЧП є добре пристосованою для передбачування, виявляння аномалій, класифікування, та, зрештою, сенсо́рно-моторних застосувань. ІЧП було перевірено та втілено у програмному забезпеченні через приклади застосунків від Numenta, і декілька комерційних застосунків від партнерів Numenta. (uk) 階層式時序記憶 （ 英語：Hierarchical temporal memory，HTM ）又稱作分層時序記憶或層級實時記憶，是一种受生物学制約的智力理论（或模型），最初見於傑夫·霍金和珊卓拉.布萊克斯里（Sandra Blakeslee）在2004年的著作──（又譯作《人工智能的未來》，英語：On Intelligence）。HTM理论是根據「神经科学」以及哺乳动物（尤其是人類）大脑新皮层中的「锥体神经元生理反應」、「锥体神经元間的相互作用」來開發。 HTM的精髓在於其学习演算法可以進行儲存、學習、推論和長序列回憶。与大多数其他机器学习方法不同，HTM會连续地（以无监督方式）在未标记資料中学习基於時間的模式（patterns）。 HTM对雜訊具有強健性，并且具有高容量，这意味着它可以同时学习多种模式。 当应用于计算机时，HTM非常适合用于预测、检测异常、分类以及最終感覺動作的應用。 透過的範例應用程式和Numenta合作伙伴的一些商業化應用程式，该理论已经在軟體中完成了测试和实现。 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Neuron_comparison.png?width=300 |
| dbo:wikiPageExternalLink | http://insight.zdnet.co.uk/hardware/emergingtech/0,39020439,39268542,00.htm http://numenta.com/applications/ http://nupic.docs.numenta.org/stable/quick-start/algorithms.html http://vicarious.com/ http://www.onintelligence.org/forum/viewforum.php%3Ff=3 https://numenta.org/implementations/ http://sourceforge.net/projects/neocortex https://www.youtube.com/watch%3Fv=nBYddmFg4nQ https://www.youtube.com/watch%3Fv=z6r3ekreRzY http://www.almaden.ibm.com/institute/resources/2006/Almaden%20Institute%20Jeff%20Hawkins.ppt http://www.cioinsight.com/article2/0,1540,1955963,00.asp https://numenta.com/ https://numenta.com/numenta-anomaly-benchmark/ http://bias.csr.unibo.it/maltoni/HTM_TR_v1.0.pdf http://numenta.com/htm-studio/ http://nupic.docs.numenta.org/stable/api/ http://nupic.docs.numenta.org/stable/quick-start/network.html http://www.onintelligence.org/forum https://numenta.org/ http://www.cortical.io http://www.grokstream.com http://www.numenta.com https://github.com/numenta/htmresearch https://github.com/numenta/nupic https://github.com/numenta/nupic/releases/tag/1.0.0 https://web.archive.org/web/20060613044124/http:/gartner.com/research/fellows/fellows_interview_jeff_hawkins_tom_austin.jsp https://web.archive.org/web/20110714212402/http:/www.numenta.com/htm-overview/education.php https://web.archive.org/web/20111227082100/http:/www.numenta.com/htm-overview/education/HTM_CorticalLearningAlgorithms.pdf https://web.archive.org/web/20121208143402/http:/fora.tv/2009/09/09/Hierarchical_Temporal_Memory_Subutai_Ahmad%23fullprogram https://web.archive.org/web/20130820231210/http:/blog.mohammadzadeh.info/index.php/hierarchical-temporal-memory-related-papers https://www.wired.com/wired/archive/15.03/hawkins.html https://spectrum.ieee.org/apr07/4982 |
| dbo:wikiPageID | 11273721 (xsd:integer) |
| dbo:wikiPageLength | 34392 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1102162662 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Belief_propagation dbr:Belief_revision dbr:Sandra_Blakeslee dbr:List_of_artificial_intelligence_projects dbr:Memory-prediction_framework dbr:On_Intelligence dbr:Bayesian_network dbr:Bionics dbr:David_Mumford dbr:Algorithm dbr:Anomaly_detection dbr:Human_brain dbr:Vector_space dbr:Deep_learning dbr:Depolarization dbr:Inference dbr:Internet_forum dbr:Sparse_distributed_memory dbr:Neocortex dbr:Neuron dbr:Pyramidal_cell dbr:Open_Source dbr:GNU_General_Public_License dbr:Gartner dbr:NASA dbr:Content-addressable_memory dbr:Convolutional_neural_network dbr:Cortical_column dbr:Cortical_minicolumn dbc:Semisupervised_learning dbr:Machine_learning dbr:Mammal dbr:Stephen_Grossberg dbr:Dendrite dbr:Deep_Learning dbr:Kunihiko_Fukushima dbr:Apical_(anatomy) dbr:Basal_(anatomy) dbr:Spike_(neuroscience) dbr:Synapse dbr:CNET dbr:Action_potential dbr:Tomaso_Poggio dbr:Tree_(data_structure) dbr:Data_structure dbr:Wired_(magazine) dbr:Latent_semantic_analysis dbr:Bayesian_networks dbr:Hippocampus dbr:Receptive_field dbr:Jeff_Hawkins dbr:Artificial_general_intelligence dbr:Artificial_neural_network dbc:Artificial_neural_networks dbc:Belief_revision dbr:Cognitive_architecture dbr:Hierarchical_hidden_Markov_model dbr:Artificial_consciousness dbc:Deep_learning dbc:Unsupervised_learning dbr:Physiology dbr:Neural_Turing_Machine dbr:Cerebral_cortex dbr:Semantic dbr:Word_(computer_architecture) dbr:YouTube dbr:Sparse_distributed_representation dbr:Self-organizing_map dbr:Soma_(biology) dbr:Neocognitron dbr:Neuroscience dbr:SaaS dbr:IEEE_Spectrum dbr:Unsupervised_learning dbr:NMDA dbr:Multiple_trace_theory dbr:Semantic_folding dbr:Neural_networks dbr:Distal dbr:Proximal dbr:Machine_intelligence dbr:Covert_attention dbr:Ventral_stream dbr:Sparse_coding dbr:File:Neuron_comparison.png dbr:Memory_Network |
| dbp:date | August 2018 (en) |
| dbp:reason | What is the connection between the sparse distributed representation and the minicolumns? (en) What exactly is meant by "resolution" and "resolution in time" here? (en) |
| dbp:wikiPageUsesTemplate | dbt:Bulleted_list dbt:Clarify dbt:Ordered_list dbt:Reflist dbt:Short_description dbt:Use_American_English |
| dct:subject | dbc:Semisupervised_learning dbc:Artificial_neural_networks dbc:Belief_revision dbc:Deep_learning dbc:Unsupervised_learning |
| rdf:type | yago:WikicatArtificialNeuralNetworks yago:Abstraction100002137 yago:Communication100033020 yago:ComputerArchitecture106725249 yago:Description106724763 yago:Message106598915 yago:NeuralNetwork106725467 yago:Specification106725067 yago:Statement106722453 |
| rdfs:comment | Ein hierarchischer Temporalspeicher (englisch hierarchical temporal memory, HTM) ist ein Modell des maschinellen Lernens, welches von Jeff Hawkins und Dileep George entwickelt wurde. Dieses Modell bildet einige Eigenschaften des Neocortex ab. (de) La mémoire temporelle et hiérarchique (en anglais Hierarchical temporal memory (HTM)) est un modèle d'apprentissage automatique développé par Jeff Hawkins et Dileep George de la compagnie Numenta. Il modélise certaines propriétés structurelles et algorithmiques du néocortex. C'est un modèle biomimétique fondé sur le paradigme mémoire-prédiction, une théorie du fonctionnement du cerveau élaborée par Jeff Hawkins dans son livre On Intelligence. Ce modèle permet de découvrir et d'inférer les causes à haut niveau des motifs et séquences observés dans les données, bâtissant ainsi un modèle complexe du monde. (fr) Hierarchiczna pamięć (HTM) – model uczenia maszyn opracowany przez i z firmy , który odzwierciedla strukturalne i algorytmiczne właściwości (neocortex). Model ten używa podejścia podobnego do sieci bayesowskich. Model HTM jest oparty na teorii – teorii działania mózgu opisanej przez w jego książce . Sieci HTM są uważane za bionaśladowcze modele wnioskowania o przyczynach. Model ten jest podobny do pracy i Davida Mumforda. (pl) 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. (ru) 階層式時序記憶 （ 英語：Hierarchical temporal memory，HTM ）又稱作分層時序記憶或層級實時記憶，是一种受生物学制約的智力理论（或模型），最初見於傑夫·霍金和珊卓拉.布萊克斯里（Sandra Blakeslee）在2004年的著作──（又譯作《人工智能的未來》，英語：On Intelligence）。HTM理论是根據「神经科学」以及哺乳动物（尤其是人類）大脑新皮层中的「锥体神经元生理反應」、「锥体神经元間的相互作用」來開發。 HTM的精髓在於其学习演算法可以進行儲存、學習、推論和長序列回憶。与大多数其他机器学习方法不同，HTM會连续地（以无监督方式）在未标记資料中学习基於時間的模式（patterns）。 HTM对雜訊具有強健性，并且具有高容量，这意味着它可以同时学习多种模式。 当应用于计算机时，HTM非常适合用于预测、检测异常、分类以及最終感覺動作的應用。 透過的範例應用程式和Numenta合作伙伴的一些商業化應用程式，该理论已经在軟體中完成了测试和实现。 (zh) Hierarchical temporal memory (HTM) is a biologically constrained machine intelligence technology developed by Numenta. Originally described in the 2004 book On Intelligence by Jeff Hawkins with Sandra Blakeslee, HTM is primarily used today for anomaly detection in streaming data. The technology is based on neuroscience and the physiology and interaction of pyramidal neurons in the neocortex of the mammalian (in particular, human) brain. HTM has been tested and implemented in software through example applications from Numenta and a few commercial applications from Numenta's partners. (en) Ієрархі́чна часова́ па́м'ять (ІЧП, англ. Hierarchical temporal memory, HTM) — це продиктована біологією технологія машинного інтелекту, розроблювана компанією Numenta. Первинно описану з в книзі 2004 року «Про інтелект», ІЧП натепер переважно використовують для виявляння аномалій у потокових даних. Ця технологія ґрунтується на нейронауці та фізіології та взаємодії у новій корі ссавцевого (зокрема, людського) головного мозку. ІЧП було перевірено та втілено у програмному забезпеченні через приклади застосунків від Numenta, і декілька комерційних застосунків від партнерів Numenta. (uk) |
| rdfs:label | Hierarchischer Temporalspeicher (de) Hierarchical temporal memory (en) Mémoire temporelle et hiérarchique (fr) Hierarchiczna pamięć (pl) Иерархическая временная память (ru) Ієрархічна часова пам'ять (uk) 階層式時序記憶 (zh) |
| owl:sameAs | freebase:Hierarchical temporal memory wikidata:Hierarchical temporal memory dbpedia-bg:Hierarchical temporal memory dbpedia-de:Hierarchical temporal memory dbpedia-fr:Hierarchical temporal memory dbpedia-pl:Hierarchical temporal memory dbpedia-ru:Hierarchical temporal memory dbpedia-uk:Hierarchical temporal memory dbpedia-zh:Hierarchical temporal memory https://global.dbpedia.org/id/4q3Es yago-res:Hierarchical temporal memory |
| prov:wasDerivedFrom | wikipedia-en:Hierarchical_temporal_memory?oldid=1102162662&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Neuron_comparison.png |
| foaf:isPrimaryTopicOf | wikipedia-en:Hierarchical_temporal_memory |
| is dbo:wikiPageDisambiguates of | dbr:HTM |
| is dbo:wikiPageRedirects of | dbr:Cortical_Learning_Algorithm dbr:Sparse_distributed_representation dbr:Hierarchical_Temporal_Memory dbr:Thousand_Brains_Theory |
| is dbo:wikiPageWikiLink of | dbr:Bayesian_approaches_to_brain_function dbr:List_of_computing_and_IT_abbreviations dbr:On_Intelligence dbr:Bayesian_network dbr:Anomaly_detection dbr:How_to_Create_a_Mind dbr:Sparse_distributed_memory dbr:Online_machine_learning dbr:Tree_(data_structure) dbr:Dileep_George dbr:HTM dbr:Hierarchy dbr:Cognitive_architecture dbr:Hierarchical_hidden_Markov_model dbr:Donna_Dubinsky dbr:Autism_and_working_memory dbr:Cortical_Learning_Algorithm dbr:Sparse_distributed_representation dbr:Neural_decoding dbr:Hierarchical_Temporal_Memory dbr:Multiple_trace_theory dbr:Semantic_folding dbr:Outline_of_machine_learning dbr:Types_of_artificial_neural_networks dbr:Thousand_Brains_Theory |
| is foaf:primaryTopic of | wikipedia-en:Hierarchical_temporal_memory |
