Un requisito previo muy importante para el aprendizaje automático es la extracción de características . Tienes varias melodías musicales y quieres predecir cuáles de tus amigos querrán qué melodías. Parece un buen problema de clasificación por delante. Pero espera un minuto. Antes de construir su clasificador, necesita encontrar una manera de representar las melodías musicales. Tal vez, digitalice las notas musicales y haga su clasificación en función de ello. Pero esa podría no ser la mejor representación para su problema. Tal vez, algunos de tus amigos están más interesados en ciertos ritmos. La presencia o la falta de batería y riffs de guitarra afectan cómo reaccionan con la música. Todos estos aspectos, son lo que llamamos características. Aquí viene el papel del procesamiento de señales , donde puede convertir los archivos de audio a un formato que represente esas características de la mejor manera.
No solo música, por supuesto. En general, el procesamiento de la señal es útil para transformar datos de series temporales en formas más fáciles de manejar. Un buen punto de partida es leer sobre la transformada de Fourier.
- ¿Qué modelo / algoritmo de ML utilizo?
- ¿Puedo usar el algoritmo de aprendizaje automático en mi proyecto de investigación aunque no soy un experto en él?
- ¿Los grandes ingenieros de aprendizaje automático siempre leen nuevos trabajos de investigación sobre ML?
- ¿Cuáles son los temas más comunes omitidos de los cursos de aprendizaje automático?
- Si el error de una red neuronal obtiene un buen rendimiento, pero si el entrenamiento aumenta por más tiempo, ¿cuál podría ser el problema con el entrenamiento?