Una red neuronal
Una red neuronal aplica el modelo de clasificación. Se encuentra bajo el paradigma de aprendizaje supervisado . Toma datos de algún tipo, generalmente preprocesados o elegidos por el experto del dominio. También toma la respuesta o evaluación conocida. Luego ajusta los datos a la respuesta, con una serie de transformaciones conocidas como capas y empleando otra función llamada propagación inversa . Luego realiza una predicción, con el criterio de minimizar el error entre la predicción y la respuesta conocida . De esta manera, el modelo ajustado se puede volver a aplicar a datos del mismo tipo, pero con nuevas observaciones o valores, y hacer predicciones sin ninguna evaluación conocida .
Ajuste de línea o agrupamiento
- ¿Dónde puedo aprender sobre la inteligencia artificial y cómo aplicarla, y cómo puedo entenderla mejor?
- ¿Deep Learning conducirá a un avance en la aplicación ML fuera del reconocimiento de voz y la visión por computadora?
- ¿Cuáles son algunos problemas abiertos en el aprendizaje automático para geodatos?
- ¿Mark Zuckerberg no violó los derechos de autor de Marvel sobre Jarvis al usarlo en su IA?
- ¿Cuál es la diferencia entre el aprendizaje semi-supervisado y el aprendizaje híbrido supervisado-no supervisado?
Un problema de regresión y una solución se ocupa de un modelo lineal. Simplemente aparece como una línea en 2 dimensiones, pero se resume en dimensiones más altas usando álgebra matricial. La solución al problema en 2 dimensiones tiene un coeficiente y una intersección. Pero la solución al problema en p dimensiones, con p> 2, tiene coeficientes p-1 y una intersección. Podemos llamar a la regresión lineal en 2 dimensiones la solución de línea, y la regresión lineal en p dimensiones la solución de hiperlínea.
Un problema de agrupamiento puede tratar con altas dimensiones, p, y aplicar álgebra matricial. Se ocupa de cada dimensión en coordenadas, y acumula observaciones en todas las coordenadas. Esto aplica un espacio vectorial en las dimensiones p, e inmediatamente sugiere que cada observación se coloca como un punto. Luego, cada punto se agrupa con los puntos cercanos, centrados en k grupos y k medios. El algoritmo aplica iteraciones para reunir cada punto a la media cercana y luego vuelve a calcular la media para todos los puntos. El final devuelve k grupos con los puntos cercanos, esencialmente agrupando observaciones.
Evaluación
La red neuronal comúnmente aplica un modelo predictivo similar al problema de regresión lineal, y no extrae ninguna estructura o agrupación del conjunto de datos. Si la serie de transformaciones, capas y funciones, propagación hacia atrás , se rastrean y se almacenan sus datos, entonces el proceso puede extraer alguna estructura .