Un alumno constante puede parecer inútil ya que su definición no incluye ninguna noción de poder predictivo. Heck, dada una muestra etiquetada, un algoritmo que genera una hipótesis coherente podría simplemente memorizarla. El problema es que necesitará una hipótesis muy grande establecida para un aprendizaje constante. Sin embargo, si un alumno consistente utiliza un conjunto de hipótesis “suficientemente pequeño” [matemática] \ matemática {H} [/ matemática], entonces por la versión de cardinalidad del teorema de Occam, dado un conjunto suficientemente grande de ejemplos etiquetados (polinomio en [matemática] \ epsilon, \ delta \ text {y} \ log | \ mathcal {H} |) [/ math], un alumno coherente es esencialmente un alumno de [math] (\ epsilon, \ delta) [/ math] PAC. ¡Y voilá! Tenemos un algoritmo de aprendizaje con poder predictivo. Desde una perspectiva teórica, esto simplifica nuestra búsqueda de algoritmos de aprendizaje PAC, ya que es más fácil encontrar estudiantes consistentes que estudiantes aproximados.
En el caso de las clases de hipótesis infinitas, la dimensión VC de la clase de hipótesis juega el papel de [math] \ log \ mathcal {H} [/ math] en el límite de complejidad de la muestra.
- ¿Los métodos de aprendizaje profundo conducen a avances en el procesamiento del lenguaje natural?
- Tengo una oferta de Qualcomm y una oferta postdoc de CMU. Trabajo en visión artificial / aprendizaje automático. ¿Qué tengo que hacer?
- ¿Cómo deberíamos comenzar con los conceptos básicos del aprendizaje automático para construir un sistema de recomendación utilizando Python?
- ¿Cuáles son algunos problemas de Kaggle que ayudarán a un principiante a avanzar?
- ¿Puedo usar TensorFlow sin tener experiencia con el aprendizaje automático?
