Tensor viene como una forma muy natural de datos, al igual que las matrices. Recuerde que en el aprendizaje automático, siempre representamos nuestros datos en forma de matriz: una columna, una muestra, una fila, una característica. Tensor ofrece una representación más general y concreta, vea cuándo las características de x cambian con el tiempo, y agregar un tercer orden ayuda.
Además, el tensor es una forma natural de gradientes. supongamos que tiene una función matricial, su gradiente wrt un vector le dará un tensor de 3 órdenes. Para la función escalar, mientras que la derivación de 1 orden le da un vector, el orden 2 un Hessian, el orden 3 le dará un tensor.
Finalmente, ahora hay algunos enfoques muy hermosos que usan tensor para inferir modelos probabilísticos. Trabajan en mezclas gaussianas, LDA, etc. El profesor Anima Anandkumar en UCI ahora está liderando de esta manera.
- ¿Por qué la probabilidad condicional es más poderosa que la probabilidad conjunta en un nivel intuitivo?
- ¿Cuál es el mejor curso de aprendizaje automático en Hyderabad?
- ¿Qué conocimiento matemático se necesita para comenzar a trabajar en el aprendizaje profundo?
- ¿Se aplica Occam's Razor en el aprendizaje automático?
- ¿Apache Spark es un buen marco para implementar Reinforcement Learning?
