Puede que estés usando la herramienta incorrecta. Una red neuronal hace clasificación. Debe diseñar o aprovechar un algoritmo de agrupación si desea agrupar. Investigue el UberCruncher para un punto de partida. Persiga las referencias y encuentre trabajos relacionados.
Además, ¿por qué le importa si los datos son secuenciales si parece ignorarlos en el resultado? Solo está asignando los datos del archivo de entrada al nombre del archivo. Puede tratar cada archivo de mezcla de audio como una imagen e ignorar el aspecto temporal si todo lo que desea es la categoría del archivo como resultado.
Wei-Min Shen, Aprendizaje autónomo del medio ambiente:
El problema de la clasificación es construir descripciones de clases objetivo basadas en ejemplos de cada clase. Por ejemplo, para clasificar “mesas” y “sillas”, un alumno puede examinar algunos ejemplos de mesas y sillas y hacer una descripción. Cuando se presenta un nuevo objeto, el alumno debe saber si es una mesa o una silla. En la clasificación, cada objeto se representa normalmente como un conjunto de características predeterminadas, como el color y la longitud, y cada característica tiene un valor de algunos conjuntos predeterminados. Los ejemplos son presentados por un maestro. Cada ejemplo consta de un objeto y el nombre de la clase a la que pertenece.
- ¿Debo comprar una computadora portátil para juegos para aprendizaje automático / aprendizaje profundo?
- ¿Tienes miedo de la automatización y los robots que toman tu trabajo?
- ¿Cuál es la diferencia entre i) Inteligencia artificial, ii) Minería de datos, iii) Recuperación de información, iv) Procesamiento de lenguaje natural, y v) Aprendizaje automático y reconocimiento de patrones?
- ¿Por qué los científicos tienen debates teóricos sobre la inteligencia artificial que se apodera del mundo cuando existen problemas reales como disturbios políticos y sociales en este momento?
- ¿Cuáles son algunos usos interesantes de Open Mind Common Sense Reasoning ConceptNet?
El problema de la agrupación es el mismo que el problema de la clasificación, excepto que los ejemplos vistos por el alumno no tienen clases predeterminadas. La tarea del alumno es seguir construyendo descripciones de clases, excepto que tiene la libertad de determinar las clases por sí mismo. Por lo tanto, la clasificación a veces se llama aprendizaje supervisado, ya que un maestro debe decirle al alumno en qué clase se encuentra un objeto; la agrupación a veces se denomina aprendizaje no supervisado, porque no requiere de tal maestro. Sin embargo, la agrupación requiere una función de “distancia” predeterminada para determinar si dos puntos deben considerarse similares. En cierto sentido, esta función de distancia es un supervisor que le dice al alumno si la forma actual de clasificar los puntos de datos es buena o mala. En el caso de la agrupación, el entorno es la función de distancia que evalúa la compacidad de una agrupación particular de todos los puntos que se han evaluado. El modelo del entorno es un grupo de todos los puntos de datos que minimiza la función de distancia. En este caso, el entorno sirve como crítico del modelo. Cada vez que el alumno construye un nuevo grupo, puede realizar la acción de preguntarle al entorno qué tan bueno es el nuevo grupo. La tarea del alumno es encontrar el mejor grupo, similar a encontrar el punto x * en la optimización de funciones.
Las clases y los grupos también se pueden representar como funciones, especialmente funciones de densidad de probabilidad. En este sentido, la clasificación y la agrupación es un problema de estimación de densidad estadística. En este paradigma, los datos se ven como muestras de una variable aleatoria (un entorno), y el modelo son las muestras de densidad estimadas, y las percepciones son los valores de las muestras. Una ventaja importante de este enfoque es que el ruido puede manejarse fácilmente.
