Se pueden utilizar para el aprendizaje supervisado y no supervisado.
Si desea predecir un resultado objetivo (ya sea uno por período de tiempo o uno por secuencia completa), se supervisa. Si desea aprender a reconocer entradas (ya sea para reconocer secuencias de entrada “nuevas” o “diferentes”, o para predecir una secuencia dado un elemento de inicio, …) puede usarse de manera no supervisada.
Muchos modelos de ML se pueden usar en diferentes paradigmas:
- Después de terminar el curso de aprendizaje automático en Coursera. ¿Qué tengo que hacer? ¿Curso de inteligencia artificial sobre edx o tutoriales de aprendizaje profundo?
- ¿Se pueden combinar sistemas expertos?
- ¿Por qué ha tardado tanto el uso de redes neuronales y el aprendizaje automático para crecer?
- Cómo verificar si los asistentes en línea con los que estoy interactuando son humanos o robots
- ¿Dónde debo iniciar una aplicación de inteligencia artificial para hacer una herramienta de productividad?
- aprendizaje supervisado (cada ejemplo en los datos de entrenamiento tiene un valor objetivo)
- aprendizaje semi-supervisado (algunos ejemplos en los datos de capacitación tienen un valor objetivo, pero no todos)
- aprendizaje activo (inicialmente no hay valores objetivo dados, pero el algoritmo puede solicitar valores objetivos correctos para cualquier ejemplo)
- aprendizaje de refuerzo (toma de decisiones secuenciales: el algoritmo recibe una descripción del estado, luego elige una acción y recibe un nuevo estado y una recompensa numérica)
- aprendizaje no supervisado (no hay un valor objetivo, pero estamos detectando entradas anómalas o construyendo un modelo generativo para entradas “típicas”)
