El aprendizaje automático es un grupo de estrategias que modelan datos e intentan extraer información valiosa.
El aprendizaje profundo es un subconjunto de estrategias de aprendizaje automático que utilizan redes neuronales profundas. Grupos de perceptrones o nodos que realizan cálculos sobre datos. Por ejemplo, alimentar redes neuronales, redes neuronales convolucionales, redes neuronales adversas generativas, memoria a largo plazo, etc.
Aprendizaje supervisado en un subconjunto de aprendizaje automático donde se le dice explícitamente al modelo qué debe buscar. El aprendizaje supervisado se entrena con puntos de datos con características y etiquetas. E intente etiquetar los nuevos datos según las características de los nuevos datos.
- ¿Cuáles son los problemas interesantes en la 'automatización de big data'?
- ¿Qué consejo le darías a alguien que acaba de comenzar el curso de Andrew Ng sobre aprendizaje automático?
- Cómo leer y comprender trabajos de investigación sobre aprendizaje automático
- ¿El curso de aprendizaje automático que el profesor Andrew Ng ofrece en Coursera me será útil como desarrollador de software profesional para resolver problemas de aprendizaje automático del mundo real?
- ¿Es una exageración aplicar un conjunto de redes neuronales?
Sin embargo, el aprendizaje no supervisado no entrena modelos con datos etiquetados. se supone que el modelo organiza los datos por sí mismo según las características de los datos ingresados.