[null,null,["最終更新日 2024-08-13 UTC。"],[[["This module explains how to create embeddings, which are lower-dimensional representations of sparse data that address the problems of large input vectors and lack of meaningful relations between vectors in one-hot encoding."],["One-hot encoding creates large input vectors, leading to a huge number of weights in a neural network, requiring more data, computation, and memory."],["One-hot encoding vectors lack meaningful relationships, failing to capture semantic similarities between items, like the example of hot dogs and shawarmas being more similar than hot dogs and salads."],["Embeddings offer a solution by providing dense vector representations that capture semantic relationships and reduce the dimensionality of data, improving efficiency and performance in machine learning models."],["This module assumes familiarity with introductory machine learning concepts like linear regression, categorical data, and neural networks."]]],[]]
![図 2. 上: ボルシチのワンホット エンコーディングの可視化。
ベクトル [1, 0, 0, 0, ..., 0] が 6 つのボックスの上に表示されている。
左から順に並べます
ベクトル数で表します。左から右にボックス
次の画像が含まれている: ボルシチ、ホットドッグ、サラダ、ピザ、[空]、
Shawarma。中間: ホットドッグのワンホット エンコーディングの可視化。
ベクトル [0, 1, 0, 0, ..., 0] が、それぞれ 6 つのボックスの上に表示されている
ベクトル番号のいずれかで左から右に揃えられます。箱には
Borscht の可視化と同じ画像を左から右に配置しました。
ご覧ください。下: シャワルマのワンホット エンコーディングの可視化。「
ベクトル [0, 0, 0, 0, ..., 1] が 6 つのボックスの上に表示され、それぞれが配置されている
いずれかのベクトル番号で表します。箱には
左から右にボルシチとホットドッグと同じ画像
可視化です。](https://developers.google.cn/static/machine-learning/crash-course/embeddings/images/food_images_one_hot_encodings.png?hl=ja)