¿Por qué los investigadores de IA se centran solo en problemas de regresión y clasificación?

El aprendizaje automático existe en gran medida en 3 áreas:

Aprendizaje supervisado : estos son sus problemas de regresión y clasificación. Con la clasificación, usted entrena el modelo en algunos de los datos con ‘etiquetas de clase’ e intenta predecir / clasificar las etiquetas de clase asociadas de datos que el modelo no ha ‘visto’.

La segunda área grande es el aprendizaje no supervisado.

Quizás el problema más obvio resuelto por el aprendizaje no supervisado es la agrupación (por ejemplo, PCA / ICA / k-means), que intenta agrupar los datos en función de algún tipo de medida de similitud. La diferencia clave es que con datos no supervisados, el algoritmo hace todo el trabajo; por ejemplo, no predefinir las etiquetas que desea predecir. A menudo se trata de interpretar el resultado aquí: ¿por qué el algoritmo agrupa estos puntos de datos? ¿Cuál es la similitud subyacente que comparten?

El aprendizaje no supervisado a menudo se usa como etapa de preprocesamiento en grandes conjuntos de datos para reducir la dimensionalidad antes de usar técnicas de aprendizaje supervisado.

Finalmente, tienes aprendizaje de refuerzo . Esto no es tan común y tiene más aplicaciones en robótica e IA que en minería de datos o ciencia de datos. En esta forma de ML, la salida se retroalimenta al alumno para crear un alumno que pueda aprender de sí mismo.

Espero que esto ayude.

No creo que los investigadores de ML solo se estén centrando en los dos problemas. Las clases introductorias sí.

En mi carrera he hecho:

• match – identifica la contraparte coincidente
• recomendación: identificar registros similares, dado un conjunto de criterios

Sin embargo, poder predecir un valor (regresión, pero puede realizarse de otras maneras) o una clase (clasificación) puede ayudarlo a resolver una clase muy amplia de problemas. No todos los problemas de predicción de valor se reducen a regresión, he hecho predicción de valor utilizando el mapa autoorganizado. Además, la clasificación puede ser más amplia, por ejemplo, identificar clases (Clustering o SOM), o identificar si un elemento pertenece o no a una clase (llamada clasificación de una clase).

Creo que este buen artículo tiene una buena oportunidad de lo que podría considerarse como la mejor respuesta a su pregunta: https://static1.squarespace.com/ …