Bueno, eche un vistazo al libro de texto de Kevin Murphy. “Aprendizaje automático: una perspectiva probabilística”.
Y / o abra cualquier artículo reciente con algún elemento de aprendizaje no supervisado o semi-supervisado de NIPS o incluso KDD.
por ejemplo, “Modelar conjuntamente aspectos, calificaciones y sentimientos
para la Recomendación de películas (JMARS) ”
Diao, Qiu, Wu, Smola, Jiang y Wang, KDD 2014 .
Lo que verá es que muchos modelos de aprendizaje automático se definen con modelos gráficos.
La cuestión básica es que los modelos gráficos le permiten definir la estructura de la inferencia probabilística subyacente al modelo. Esto se vuelve importante para
modelos con cientos o miles de variables. Es una forma de organizar las cosas y, en consecuencia, ofrece una forma de organizar la inferencia que uno puede usar. De hecho, sistemas como BUGS (de Cambridge) y Stan (de Cornell) le permiten definir clases de modelos enormes, amplias y útiles utilizando modelos gráficos, y estos sistemas prácticamente “compilan” un algoritmo para usted. Esto muestra el poder general del marco.
- ¿Qué sitios web usan inteligencia artificial?
- ¿Cómo usa Quora el aprendizaje automático en 2017?
- ¿Es posible implementar un verificador de hechos de Donald Trump como modelo de aprendizaje automático? ¿Qué tan exacto sería?
- ¿Qué algoritmos de aprendizaje automático se pueden considerar entre los mejores?
- ¿Hay publicaciones sobre la generación automática de video a partir de texto plano y viceversa?
Observe otras formas de definir la estructura o mediante ecuaciones y mediante reglas gramaticales.
Muchos de nosotros nos dimos cuenta a principios de la década de 1990 de que este era el camino hacia el futuro. Le tomó un tiempo a la comunidad darse cuenta, pero a fines de la década de 1990 se estaba haciendo cargo.