No, por supuesto, no usan el mismo principio.
pero podemos decir que el propósito principal es el mismo para todos, el propósito de todas las técnicas de aprendizaje automático es aprender y construir un modelo poderoso que pueda usar ecuaciones y matemáticas para predecir una respuesta a una nueva pregunta que no se dio en el proceso de capacitación .
El aprendizaje automático contiene 3 tipos principales:
- Aprendizaje supervisado
- aprendizaje sin supervisión
- aprendizaje reforzado
Usted puede aquí sobre semi-supervisado, pero no voy a hablar mucho al respecto.
- En Tensorflow, si uso sigmoid_cross_entropy_loss, ¿cómo puedo calcular la etiqueta que estoy prediciendo? (No puedo usar tf.argmax como en softmax_cross_entropy).
- ¿Qué es una explicación intuitiva sobre cómo funciona un árbol de sufijos comprimido?
- ¿En qué se diferencian AI y ML, y qué podría ser un posible diagrama de Venn de cómo se superponen la IA y el aprendizaje automático?
- ¿Cómo funcionan las aplicaciones de identificación de música como Shazam, SoundHound y musiXmatch (huellas digitales acústicas)?
- ¿Es Computer Networking de Kurose y Ross un buen libro para prepararse para la ubicación en el campus?
para el aprendizaje supervisado, usted proporciona un conjunto de datos etiquetado completo, y el modelo usa este conjunto de datos para entrenar y aprender de él la característica del problema que debe resolver y luego, cuando el modelo obtiene un nuevo ejemplo sin etiquetar, debe usar el modelo para predecir la respuesta correcta.
para el aprendizaje no supervisado, proporciona un conjunto de datos sin etiqueta, por lo que el modelo no aprenderá exactamente la respuesta correcta pero puede clasificar a qué categoría pertenece.
para el aprendizaje de refuerzo, no le proporciona ningún conjunto de datos, le da una política y la regla del juego, hace un sistema de castigo y recompensa, y luego deja que el modelo intente predecir cualquier respuesta; si fue una buena decisión, le dará un punto positivo como recompensa, si no fue una decisión correcta, la castigará dándole un punto negativo, y el modelo debe aprender de los puntos qué decisión fue la correcta y cuál se equivocó al no volver a hacerlo.
Por último, no he mencionado los algoritmos en sí porque hay una gran cantidad de algoritmos en cada tipo de ellos, y pensé que su pregunta es una pregunta general para obtener una introducción rápida a los tipos de aprendizaje automático.