Por supuesto, normalmente se utilizan algoritmos de agrupamiento para construir un diccionario / libro de códigos de características. La codificación dispersa, los codificadores automáticos y las redes de confrontación generativa (GAN) también se pueden utilizar para el aprendizaje de funciones sin supervisión.
Es posible utilizar el libro de códigos de características para hacer coincidir imágenes alimentando las características a un clasificador entrenable como máquinas de vectores de soporte (SVM) o incluso redes neuronales profundas. También puede ser posible utilizar el aprendizaje diferido, simplemente almacene las representaciones de vectores de características de cada instancia de clase en una estructura de datos de búsqueda como un árbol Kd (para vectores de características de baja dimensión) y realice la búsqueda de vecinos más cercanos a K.
Antes de las unidades lineales rectificadoras (ReLU) era difícil entrenar redes neuronales profundas desde cero, a veces todavía lo es, por lo que el pre-entrenamiento no supervisado se usó principalmente para iniciar las redes neuronales profundas y luego se realizó una fase supervisada de ajuste fino donde la neural profunda net fue optimizado conjuntamente para la tarea en cuestión.
- ¿Cómo estimar la divergencia KL si no se conoce el posterior? En inferencia variacional, KL se utiliza para encontrar una distribución que se aproxime al verdadero posterior, pero el KL requiere conocer el posterior mismo. ¿Cómo se trata esto?
- ¿Cuál es un buen sitio de contestación de preguntas sobre IA y aprendizaje automático aparte de Quora? Los relacionados con Stack Exchange son bastante malos. Las personas están más centradas en los puntos y formatos en lugar de dar una respuesta adecuada.
- Estoy creando una plataforma de transmisión en vivo: ¿cómo puedo conectarme y usar varias cámaras web al mismo tiempo?
- ¿Qué significa para una red neuronal ser entrenada de extremo a extremo?
- ¿Cómo debo implementar la detección de fraude con tarjeta de crédito usando redes neuronales?
El problema con los modelos de aprendizaje no supervisados actuales es que el objetivo es normalmente “global”, el libro de códigos de características debe ser un buen representante de todos los datos de capacitación. Por lo tanto, si las características relevantes son solo un pequeño subconjunto de ejemplos de capacitación, el sistema no funcionará muy bien en la tarea de reconocimiento. Por otro lado, el aprendizaje supervisado adapta muy bien las características a la tarea en cuestión, ya que la señal de error guía la formación de esas características. Esto es en parte por qué las redes neuronales convolucionales (convNet) funcionan excepcionalmente bien.
Entonces, sí, es posible hacer un reconocimiento de imágenes utilizando un aprendizaje no supervisado. Esto normalmente es importante si el sistema tiene que descubrir objetos distintos por sí mismo, pero actualmente los modelos de aprendizaje no supervisados están rezagados con respecto a sus contrapartes supervisadas en términos de rendimiento.
Espero que esto ayude.