El enfoque bayesiano se basa en el teorema de Bayes:
[matemáticas] P (A | B) P (B) = P (B | A) P (A) [/ matemáticas]
Con el aprendizaje automático bayesiano (ML) puede incluir información previa a los modelos ML a diferencia de las redes neuronales puras que aprenden directamente de los datos sin utilizar información previa.
- Si solo tuviera unos pocos megabytes / kilobytes libres en un disco grabable planificado, ¿cómo los utilizaría exactamente?
- Cómo estudiar y obtener exámenes de libro abierto para una clase de informática en la universidad y en la universidad
- ¿Qué habilidades informáticas son más valiosas en la investigación en neurociencia?
- ¿Dónde puedo encontrar conjuntos de datos públicos de ataques de IoT y enrutadores para un proyecto de investigación?
- ¿Pueden los procesos de inteligencia artificial descubrir nuevos fenómenos?
Por ejemplo, si sabemos [matemáticas] P (A) [/ matemáticas], [matemáticas] P (A | B) [/ matemáticas] y [matemáticas] P (B | A) [/ matemáticas] podemos resolver para [matemáticas ] P (B) [/ math] usando un simple cambio de tema de fórmula. Podemos encadenar las probabilidades de esta manera y formar modelos bayesianos profundos.
Es muy importante observar una variedad de enfoques de LD para construir modelos más robustos.
Dado que Bayesian ML se basa en un sistema que tiene una forma de creencia, puede ser más difícil construir modelos que aprendan sin información previa o necesitarán desarrollar un sistema de creencias y usarlo para tomar decisiones.
¿Qué pasa si el modelo desarrolla una creencia que no es buena para la humanidad?
Esto puede dar miedo de hecho.
Pero creo que para que exista un agente inteligente en el mundo real, necesita un sistema de creencias que necesita de conocimientos previos sobre el mundo y Bayesian ML proporciona los medios para inyectar ese conocimiento previo en los modelos de ML.
Por lo tanto, se recomienda considerar tantos enfoques alternativos como sea posible para resolver problemas de LA.
No te limites a un solo tipo de solución.
Pero le recomendaría que mire el enfoque bayesiano más adelante. Al comenzar, concéntrese en los enfoques de tendencias en el aprendizaje profundo (DL) como las redes neuronales convolucionales (CNN) y luego aprenda sobre el enfoque bayesiano.
Espero que esto ayude.