Ciertamente puedo enumerar los primeros pasos
- Defina el problema de una manera mucho más rigurosa. Por ejemplo: “El sistema para cada ejemplo de texto clasificará el texto como perteneciente a una de las tres clases etiquetadas como” enojado “,” neutral “,” agradable “. (es posible que desee más y diferentes clases, el conjunto de clases depende de usted)
- Recopile una gran cantidad de ejemplos de las redes sociales que desea procesar. Necesitas “miles” de ejemplos
- Haga que un humano clasifique manualmente los ejemplos y asigne cada uno a una de sus clases
Al hacer lo anterior, puede descubrir que necesita elegir algún otro conjunto de clases o que necesita más o menos clases. Pero al final tiene un gran conjunto de datos etiquetados manualmente como pertenecientes a uno de un pequeño conjunto de clases
El siguiente paso es escribir software que asigne clases. Hoy en día eso implica un procesamiento de texto inicial con algún tipo de analizador y luego capacitar a una red. Entonces, los pasos después del # 3 dependen de la tecnología exacta que esté utilizando. Pero solo quería señalar la gran tarea que tendrá antes de su evento al # 4.
- ¿La agrupación es indispensable en el aprendizaje profundo?
- ¿Cómo funciona la regresión lineal múltiple en variables categóricas?
- ¿Por qué los CNN se usan más para tareas de visión por computadora que otras tareas?
- ¿Hay alguna métrica de evaluación para chatbots?
- ¿Cuáles son algunas ideas importantes / brillantes en el aprendizaje automático?
Por supuesto, puede facilitarlo si puede encontrar un gran conjunto de datos de texto que sean similares a los datos que desea procesar y que ya estén etiquetados con etiquetas cercanas a las que necesita.
En resumen, todas las tareas de aprendizaje profundo necesitan un gran conjunto de datos. Obtener los datos es el primer paso.