Hola,
En Machine Learning, aprendizaje de características o aprendizaje de representación
es un conjunto de técnicas que aprenden una característica: una transformación de la entrada de datos sin procesar a una representación que puede ser explotada efectivamente en las tareas de aprendizaje automático. Esto evita la ingeniería manual de características, que de otro modo es necesaria, y permite que una máquina aprenda en una tarea específica ( usando las características) y aprenda las características mismas.
- ¿Cómo debo explicar el modelo matemático de la red neuronal con ejemplos adecuados?
- ¿Cuáles son las mejores técnicas para crear vectores de oraciones para el procesamiento del lenguaje natural?
- ¿Podemos usar SGD para entrenar el modelo de mezcla, como GMM y movMF?
- ¿Cómo aprenden los algoritmos de aprendizaje automático de los datos?
- ¿Cuál es la diferencia entre un ingenuo clasificador Bayes y una red bayesiana?
El aprendizaje de características está motivado por el hecho de que las tareas de aprendizaje automático, como la clasificación, a menudo requieren una entrada matemática y computacionalmente conveniente para procesar. Sin embargo, los datos del mundo real, como las imágenes, el video y la medición de sensores, generalmente son complejos, redundantes y muy variables. Por lo tanto, es necesario descubrir características o representaciones útiles a partir de datos sin procesar. Las características tradicionales hechas a mano a menudo requieren mano de obra humana costosa y a menudo se basan en el conocimiento experto. Además, normalmente no se generalizan bien. Esto motiva el diseño de técnicas eficientes de aprendizaje de características, para automatizar y generalizar esto.
El aprendizaje de características se puede dividir en dos categorías: aprendizaje de características supervisado y no supervisado, análogo a estas categorías en el aprendizaje automático en general.
- En el aprendizaje supervisado de funciones, las funciones se aprenden con datos de entrada etiquetados. Los ejemplos incluyen redes neuronales supervisadas, perceptrón multicapa y aprendizaje de diccionario (supervisado).
- En el aprendizaje de funciones sin supervisión, las funciones se aprenden con datos de entrada sin etiquetar. Los ejemplos incluyen aprendizaje de diccionario, análisis de componentes independientes, autoencoders y varias formas de agrupamiento.
Espero que pueda ser de ayuda .. 🙂
Gracias.