En el aprendizaje supervisado, hay un gran conjunto de datos que tiene todo lo que el alumno podría necesitar. Tiene documentos junto con todas las relaciones entre las palabras y el texto que desea. El alumno necesita aprender cómo realizar esta tarea en documentos no vistos.
En el aprendizaje semi-supervisado, tiene un gran conjunto de documentos, y para un subconjunto más pequeño de estos, tiene todos los datos.
En el aprendizaje no supervisado, el alumno solo tiene documentos. Puede buscar patrones interesantes que subyacen a los datos. Estos patrones podrían ser significativos, pero también podrían ser artefactos aleatorios. Cuando haya suficientes datos, será más fácil identificar patrones significativos. Sin embargo, sin un supervisor que observe los patrones, el algoritmo no podrá darle ningún significado. Por ejemplo, podría encontrar que las palabras ‘presidente’, ‘Obama’ y ‘Barack’ a menudo coexisten, o una ocurre en situaciones en las que normalmente también se encuentra otra (un indicador de que podrían ser sinónimos). En general, no puede encontrar que esto describe a una persona.
- Cómo comenzar la investigación en Machine Learning
- ¿Cuál es una buena referencia para aprender cómo implementar y usar la búsqueda de línea para la optimización?
- ¿Cómo se pueden extender los codificadores automáticos a tamaños de imagen realistas como 640 x 480 o más?
- ¿Es necesario aprender Python para seguir la especialización en cursos de Machine Learning, de Coursera?
- ¿Cuáles son algunas de las investigaciones más alucinantes jamás realizadas o en curso en el aprendizaje automático estadístico?