El aprendizaje automático se compone de la construcción de modelos y el ajuste del modelo propuesto en un conjunto de observaciones. La fase posterior se llama optimización.
Piense en el modelo como una función en la forma: [matemáticas] f (x, w); [/ math] donde [math] x [/ math] denota el vector de entrada, y [math] w [/ math] los parámetros del modelo. En la mayoría de los casos, también hay un objetivo bien definido: la utilidad o la función de costo, dependiendo del ángulo de enfoque. La tarea de encontrar valores adecuados de los parámetros del modelo [math] w [/ math] con respecto a la función de costo se llama optimización.
- ¿Qué sucederá si divido mis datos en 50:50 para capacitación y pruebas?
- ¿Me pueden ayudar a encontrar e identificar mi idea de doctorado? (¿Aprendizaje profundo y análisis de Big Data Twitter Sentiment?)
- ¿Hay nueva información sobre el tema X o la gente sigue copiando y pegando?
- ¿Qué cursos de estadística de Harvard debería tomar si quiero aprender aprendizaje estadístico / aprendizaje automático?
- ¿Cómo es usar las API de servicios cognitivos de Microsoft?
En algunos casos, especialmente cuando se trata de problemas difíciles, uno no puede usar métodos directos para encontrar una solución óptima, sino que tiene que implementar algunas heurísticas. En dicho enfoque indirecto, puede entrenar un modelo que lo ayude a encontrar la solución (cercana) óptima de un problema difícil.