608 KB0 KB2026Šega, Jakobletnik:1318 str.številka:2ISSN:2385-8567COBISSID_HOST:291944963URN:URN:NBN:SI:doc-ODDEKK4VslZaložba Fakultete za matematiko in fiziko Univerze v LjubljaniMatrikadata distribution modelingdeep machine learninggloboko strojno učenjemodeliranje porazdelitve podatkovvariacijski samokodirnikivariational autoencodersVariacijski samokodirniki kot verjetnostni okvir za ocenjevanje gostote verjetnosti|Data distribution modeling or probability density estimation is an important problem of statistical inference. This article presents variational autoencoders, one of the modern deep machine learning methods for solving this problem. It addresses the mathematical background of their operation, explains the training process of the distribution model, and demonstrates how the learned model can be used to generate new dataModeliranje porazdelitve podatkov oziroma ocenjevanje gostote verjetnosti je pomemben problem statističnega sklepanja. Članek predstavi variacijske samokodirnike, eno izmed sodobnih metod globokega strojnega učenja za reševanje tega problema. Obravnava matematično ozadje njihovega delovanja, pojasni postopek učenja modela porazdelitve ter pokaže, kako je naučeni model mogoče uporabiti za ustvarjanje novih podatkovTEXTznanstveno časopisjejournalsSlovenian National E-content AggregatorNational and University Library of SloveniaUniverza v Ljubljani, Fakulteta za matematiko in fiziko