Defina una familia de modelos, en la que cada modelo específico se define asignando valores específicos a un conjunto de N parámetros de la familia de modelos. Es decir, un modelo está definido por la estructura general de la familia de modelos y un vector de N valores / dimensiones. Luego, defina una función para asignar una “calidad” / “aptitud” / “error mínimo” a cada modelo, o una forma de comparar entre modelos.
El aprendizaje es el proceso de seleccionar modelos (valores de parámetros) con valores crecientes de aptitud. El desafío es que cuando el número de parámetros y valores es alto, la búsqueda en el espacio de todos los modelos posibles es muy costosa.
Las diferentes técnicas de aprendizaje se diferencian por los diferentes enfoques utilizados que minimizan el tiempo que lleva, desde un (os) candidato (s) modelo (s) inicial (es), mejorar el (los) mejor (es) modelo (s) encontrado (s) hasta el momento y alcanzar un nivel de rendimiento decente. Por supuesto, los detalles de esto dependen de la estructura general de la familia de modelos (por ejemplo, NN, GA, funciones algebraicas, etc.)
- ¿Son los problemas NP completos también problemas NP difíciles? ¿Por qué?
- ¿Cuál es el secreto de escribir buenos algoritmos?
- Cómo hacer un anillo de humo 'O'
- ¿Cuál es la técnica para crear una solución DP iterativa a partir de su solución recursiva?
- ¿Cuáles son algunos campos en CS en los que puedo considerar entrar si mis intereses principales son las matemáticas y el diseño de algoritmos?