Para comprender la diferencia entre el aprendizaje automático finito e infinito, primero necesitamos obtener algunos conceptos básicos para el aprendizaje automático. La mayoría de las herramientas en el aprendizaje automático están diseñadas para hacer un mejor uso de los datos usando PAC (Probablemente Aproximadamente Correcto), presentado por primera vez por el Profesor Valiant. Los análisis PAC suponen que la respuesta / concepto verdadero está en el espacio de hipótesis dado H. Un algoritmo de aprendizaje automático L con espacio de hipótesis H es uno que, dado un conjunto de datos de entrenamiento D, siempre devolverá una hipótesis H consistente con D si existe , de lo contrario, indicará que no existe tal hipótesis. En una hipótesis de aprendizaje automático finito, H no tiene una complejidad de muestra polinómica. Si H tiene una complejidad de muestra polinómica, se llama hipótesis infinita.
¿Qué significan las hipótesis finita e infinita en el aprendizaje automático? Cuáles son las diferencias entre ellos?
Related Content
¿Cuál es el potencial empresarial del aprendizaje automático / inteligencia artificial?
More Interesting
¿Qué es el generador Deep Dream?
¿Cómo funcionan los algoritmos súper recursivos en CUDA?
¿El aprendizaje automático va a derrocar al sistema dinámico?
¿Qué tan diferente es el aprendizaje automático de las estadísticas?
¿Quién ha explorado las aplicaciones del modelo Word2vec en datos que no sean lenguajes naturales?
¿Cuáles son las preguntas más importantes en el aprendizaje automático?
¿Puede la operación de agrupamiento aumentar el número de neuronas en el aprendizaje profundo?
Cómo usar la red neuronal convolucional en sus proyectos
¿Cuáles son los límites de los modelos ocultos de Markov en la minería de texto?
¿Por qué alguien querría usar el refuerzo sobre el apilamiento?