Solo para especificar un poco mi pregunta:
Me he encontrado con las definiciones de cada término (mi campo de estudio inicial es estadística), y he aplicado muchos modelos (lineal, splines, árbol, pca, gam, K significa …) pero en la práctica estoy teniendo un Es difícil vincular modelos con esos términos. Aquí está la forma (en muy pocas palabras) los entiendo:
Supervisado: modelización con salida clara identificada: y = f (x1, x2,….)
- ¿Cuál es la diferencia entre TensorFlow y TensorFlow lite?
- ¿Las computadoras cuánticas mostrarían una aceleración para el aprendizaje automático?
- ¿Cómo decidimos la clase de clústeres generados a través del clúster k-means?
- ¿Cuáles son algunos de los problemas abiertos más importantes en el aprendizaje automático en este momento?
- ¿Cuáles son todas las diferencias entre el aprendizaje en línea y el aprendizaje fuera de línea con backpropagation?
Sin supervisión: sin salida clara
Inferencia: interés en comprender la relación entre la variable y la relación con la salida => por lo que parece ser esencialmente el estudio de la característica de la función f (forma, rango, etc.). Lo que a su vez debería implicar una buena interpretabilidad del modelo, por lo que es más probable que se refiera al modelo lineal, ¿tengo razón?
Predicción: interés en predecir correctamente una salida (independientemente de la concideración de causalidad)
Paramétrico: la forma de la función f es asumida por la elección del modelo
No paramétrico: sin suposición sobre la función f (supuestamente desconocida)
Entonces parece que, por ejemplo, la agrupación con k-mean es un método no paramétrico no supervisado, ¿verdad? Sin embargo, la agrupación se trata de describir una observación de cantidad de repetición que parece una inferencia para mí, pero el modelo no proporciona una relación directamente interpretable, ¿verdad?
¿Puedes ver que estoy confundido ^^ tal vez es porque cuando pienso en inferencia, en mi mente imagino algo así como una elasticidad, que podría ser demasiado restrictiva para ilustrarla …
