Creo que esta es realmente una línea muy fina, y encontrarás muchas personas que dirían que no hay diferencia. Aquí hay algunas pautas que pueden ayudarlo a comprender la diferencia.
Variables locales versus variables globales: en muchos modelos hay variables ‘locales’ y parámetros del modelo ‘globales’. Las variables locales están asociadas a cada punto de datos, mientras que los parámetros globales controlan el comportamiento de todo el modelo, globalmente.
Por ejemplo, en un modelo oculto de Markov (HMM), las variables locales serían la secuencia de estado oculta, mientras que los parámetros globales serían la matriz de probabilidad de transición y las probabilidades de emisión. En los modelos mixtos, las variables indicadoras de asignación de grupo (a qué grupo pertenece cada punto de datos) serían las variables locales, mientras que las medias de grupo serían parámetros globales. Normalmente dice que deduce el valor de las variables locales y aprende los parámetros globales.
Integración versus optimización: al menos en terminología bayesiana, la inferencia generalmente significa determinar un posterior completo sobre una variable, o integrarlo, la estimación del modelo o el aprendizaje se refiere a optimizar el valor de un parámetro del modelo.
- Si quiero desarrollar una carrera en aprendizaje automático e inteligencia artificial, ¿debería comenzar con chatbots?
- ¿Cuál es la intuición para SVM-Rank y cuándo debo usarla?
- ¿El antiguo guardia de IA ha frenado la investigación de aprendizaje automático en el MIT?
- ¿Qué es más poderoso, la red neuronal convolucional o la red artificial? ¿Cuál es más conveniente de usar?
- ¿Cuándo debo coseno similitud? ¿Se puede usar para la agrupación?
Diferentes niveles de jerarquía: muy a menudo cuando trabaja con un modelo probabilístico jerárquico que involucra múltiples niveles de variables aleatorias organizadas en una jerarquía, luego determinar el valor (o una distribución posterior sobre) las variables en las capas inferior / media se conoce como inferencia , mientras que la determinación del valor de los parámetros en la parte superior de la jerarquía se conoce como estimación de modelo o aprendizaje.