De acuerdo, ya que nadie pudo responder la pregunta, voy a ofrecer una solución de este artículo que leí sobre “Aprendizaje representativo”, ¿Qué es el aprendizaje representativo?
El aprendizaje representativo tiene como objetivo mapear la información. El mapeo solo puede ser compatible con algoritmos particulares o el mapeo puede diferir en términos de lo que mapean. Esencialmente aprende a hacer conexiones explícitas entre la información, pero el desorden de los puntos de datos en Machine Learning significa que el mapeo no es tan explícito. Sin embargo, la caja de herramientas estadísticas de Machine Learning es capaz de resolver este problema.
Es interesante pensar qué hace el aprendizaje representativo con un algoritmo, algunos ejemplos entre un rango variable incluyen:
- ¿Cómo funciona la ordenación por fusión en C ++?
- ¿Hay alguna matemática recientemente descubierta (últimos 50 años) comprensible para estudiantes de pregrado o está todo muy avanzado?
- ¿Cuáles son los principios o características esenciales de los algoritmos gráficos en informática?
- ¿Podemos contar una tarea como una instrucción al calcular un algoritmo?
- ¿Cómo paso la matriz asociativa como un argumento con los elementos de esa matriz que se pasan en un orden específico?
Agrupación: puedo pensar en la agrupación como el mapa de manzanas rojas a cestas verdes.
Reducción de dimensionalidad no lineal: x ∈ R (^ 3), estos vectores no son linealmente dependientes, cada uno tiene independencia y, por lo tanto, solo pueden implicar ciertas operaciones matemáticas. Como tal, la distancia euclidiana es una de ellas.
Reducción de dimensionalidad lineal: esto es algo así x ∈ R (^ 3), pero estos vectores son linealmente dependientes y, como tales, tienen múltiples operaciones matemáticas alcanzables. es decir, combinaciones lineales y productos de punto.
Hay algunas herramientas que tienen que trabajar primero en los datos antes de que comience la representación en el algoritmo, tales herramientas pueden hacer algo como esto: “produce una representación de baja dimensión en la que los productos de distancia y punto euclidianos son más semánticamente significativos que el mismas operaciones en el espacio original ”. Este paso de preprocesamiento se llama; PCA. Otros pasos incluyen: kernel SVMs y análisis factorial; Estos pasos de preprocesamiento funcionan en algoritmos como, árboles de decisiones y regularización L1. una falta de coincidencia del paso de preprocesamiento con el algoritmo es perjudicial, pero el aprendizaje profundo está haciendo que estas líneas borrosas sean un poco insignificantes, debido a sus vastas redes neuronales, los matices de administrar o representar los datos se manejan con cuidado