Parece que el tipo que citó esto probablemente era un estadístico … en lugar de un programador. Necesitará ver esto desde una perspectiva diferente para entender esto. También estoy asumiendo una familiaridad básica con las redes neuronales, ya que esta pregunta se incluye en ese tema.
Los datos que está alimentando a la red neuronal => Muestra
Sus datos + Todos los datos invisibles posibles => Población
Estimación de puntos: Digamos que su población tiene pesos verdaderos W, X, Y, Z … (esto significa que una vez que haya dominado los pesos W, X, Y, Z, … podrá predecir algo con total precisión) . Como ya sabría en una red neuronal, comienza con algunos pesos iniciales w, x, y, z y espera acercarse tanto a W, X, Y, Z …
- ¿Cuál es el enfoque más eficiente para los sistemas de recomendación?
- ¿Siguen siendo relevantes los enfoques simbólicos de IA después de los recientes éxitos del aprendizaje profundo?
- ¿Cuáles son las ventajas y desventajas de las API de servicios cognitivos de Microsoft?
- ¿Cuáles son las aplicaciones de aprendizaje profundo que consideras sin explotar?
- ¿Cuál es la diferencia entre pre-entrenamiento y pre-procesamiento?
Su final w, x, y, z, … (después de entrenar en sus datos) que espera que esté realmente cerca de W, X, Y, Z, … es su estimación puntual de la estadística de población
Paramétrico: está asumiendo que la muestra proviene de una distribución de probabilidad. La consecuencia de la primera declaración es que puede expresar sus datos mediante algunos parámetros que conforman la distribución (por ejemplo, mu y sigma describen completamente cierta distribución normal). En nuestro caso, suponemos que los pesos de la red neuronal si se hacen correctamente pueden describir completamente la muestra. Esto es lo que llamas paramétrico
Optimización: Y para completar la respuesta (que ya sabrías), lo que haces para obtener w, x, y, z … lo más cercano a W, X, Y, Z … es la optimización.
Esos fueron mis dos centavos en esta pregunta, espero que si vuelves a subir y lees la oración críptica nuevamente podrás entenderla.
¿No? Deja un comentario sobre lo que te mantiene perplejo e intentaré refinar mi respuesta.