¡Si! La mayoría de los algoritmos que se enseñan en un curso introductorio se usan por todas partes en ML.
- Todo el campo del aprendizaje por refuerzo se basa en una programación dinámica como la describió por primera vez Bellman. Si comprende la estructura y las matemáticas detrás de la programación dinámica, y no solo la usa como herramienta, puede detectar inmediatamente la conexión.
- Todo el campo de los modelos gráficos es el matrimonio entre los algoritmos gráficos y la inferencia bayesiana. El algoritmo de Viterbi es un conocido algoritmo de programación dinámica. Muchos algoritmos de paso de mensajes también usan BFS y DFS como subrutinas.
- Los cortes de gráficos se utilizan ampliamente en el aprendizaje no supervisado y la visión por computadora para la segmentación y la agrupación.
- Isomap es uno de los algoritmos de aprendizaje no supervisados más famosos. Se basa en la idea de construir gráficos de forma incremental y usar BFS para encontrar los caminos más cortos entre puntos para caracterizar la distancia entre ellos.
Puedo dar muchos más ejemplos, pero creo que esto aclara el punto. No todos los algoritmos se usan directamente, pero se usan como subrutinas para desarrollar e implementar algoritmos más sofisticados.
- ¿Cuáles son las especificaciones de la computadora utilizada para la red neuronal convolucional?
- ¿Cuáles son las aplicaciones industriales del algoritmo vecino K más cercano?
- ¿Cuándo y por qué un clasificador Bayes ingenuo es una opción mejor / peor que un clasificador forestal aleatorio?
- Por lo general, los RNN se usan para PNL, ¿cuándo tienen sentido los CNN en PNL?
- ¿Cómo podría el posmodernismo cambiar el aprendizaje automático?
