Las personas encuentran formas de acelerar la complejidad del algoritmo en tiempo de ejecución y paralelizar el código de optimización.
Algunas aplicaciones donde el popular clasificador de libros de texto SVM se ha utilizado para el aprendizaje a gran escala (con implementaciones adecuadamente modificadas):
1) Publicidad de display (2.300 millones de ejemplos) y reconocimiento de sitios de empalme humano (50 millones de ejemplos, ~ 3 TB de funciones procesadas). Ver http://arxiv.org/pdf/1110.4198v2… y http://hunch.net/?p=2094
- ¿Cuáles son algunos temas de investigación matemáticamente rigurosos en aprendizaje automático y aprendizaje profundo en la actualidad?
- Cómo ejecutar una sesión de tensorflow en un solo proceso y núcleo
- ¿Cómo se usa el aprendizaje automático en física?
- En la curva ROC, cualquier punto es resultado del modelo en un parámetro particular. No estoy claro por qué el adivinador aleatorio está en x = y y no siempre (0.5, 0.5). ¿También cómo interpretar el área bajo la curva?
- Redes neuronales artificiales: ¿Por qué las partes internas de las neuronas se simulan con una suma lineal de entradas en lugar de alternativas no lineales?
2) Reconocimiento del sitio de empalme humano (50 millones de ejemplos) y detección de género basada en imágenes (5 millones de ejemplos). Ver COFFIN: un marco computacional para SVM lineales disponible en http://sonnenburgs.de/soeren/pub…
3) Clasificación de imagen a gran escala (1,2 millones de ejemplos,> 1 TB de características procesadas). Consulte Clasificación de imágenes a gran escala: extracción rápida de características y capacitación SVM disponible en http://www.dbs.ifi.lmu.de/~yu_k/…
4) PSVM : el solucionador SVM paralelo de código abierto de Google. Consulte http://books.nips.cc/papers/file… y http://code.google.com/p/psvm/
También siga los recursos enumerados en ¿Cuáles son algunos recursos introductorios para aprender sobre el aprendizaje automático a gran escala? ¿Por qué?