Cada modelo de aprendizaje automático tiene dos componentes: 1. la estructura del modelo o el algoritmo y 2. los parámetros del modelo. En el caso más simple del modelo de regresión lineal, la estructura es solo una ecuación lineal. Los parámetros son los pesos de las variables dependientes. En un modelo de aprendizaje profundo, la estructura es cómo se conectan los nodos. Los parámetros son los pesos de las interconexiones, etc.
Para responder a su pregunta, el aprendizaje del algoritmo ML se almacena en los parámetros. El proceso de entrenamiento de un modelo ML está afinando los parámetros a través de datos de entrenamiento reales. Los parámetros se pueden actualizar como un proceso por lotes, en otras palabras, a través de un gran lote de datos de entrenamiento o sobre la marcha, donde cada punto de datos se utiliza para actualizar gradualmente el modelo.
Podría haber algoritmos ML más avanzados en los que la estructura en sí misma se modifica, o como dijiste, el algoritmo ML actualiza el código en sí. Pero no hay algoritmos de este tipo utilizados en situaciones prácticas en este momento.
- ¿Las máquinas de vectores de soporte vienen en modelos paramétricos o no paramétricos y por qué?
- ¿Por qué se usaría H2O.ai sobre la herramienta de aprendizaje automático scikit-learn?
- ¿Cómo se pueden engañar los modelos de clasificación existentes?
- ¿Las herramientas como BigML o Google Prediction API dejarán a los expertos en aprendizaje automático fuera del trabajo?
- ¿Debo elegir PHP para el aprendizaje automático?
