La respuesta a continuación es para la segunda parte de su pregunta:
Digamos que tiene un conjunto de subgrafos (por ejemplo, 100 subgrafos). Cada subgrafo puede pertenecer al grafico A, B o C. El objetivo, por lo tanto, es predecir la asociacion de un subgrafo a cualquier clase – A, B o C ?
Supongo que puede comenzar con la recopilación de características de un sub-gráfico (que refleja métricas / medidas como la conexión, la densidad, etc.). Por lo tanto, tiene un conjunto de datos, compuesto por 100 muestras / instancias, donde cada muestra corresponde a un subgráfico que tiene, digamos, 15 características / atributos. Además, cada muestra se puede etiquetar como A, B o C (según el gráfico subyacente verdadero). Esto forma un conjunto de entrenamiento, que puede usarse para construir un modelo de entrenamiento. Este modelo se puede usar para predecir una muestra de prueba (correspondiente a un sub-gráfico de prueba cuya clase no conoce).
Lo anterior ilustra un escenario de clasificación supervisada. Uno puede usar técnicas no supervisadas (en caso de que no tenga los valores de clase verdaderos para el conjunto de entrenamiento) para encontrar grupos también.
- Estoy trabajando en el reconocimiento facial con redes neuronales convolucionales, ¿cuántas convoluciones y capas ocultas debo usar?
- Si los humanos se vuelven más tontos y la IA de la máquina se vuelve más inteligente, ¿qué sigue?
- ¿Crees que es posible que las máquinas y las computadoras se apoderen del mundo, como lo imaginan Isaac Asimov y, más recientemente, Yuval Noah Harari?
- ¿Cuáles son las posibilidades de la inteligencia artificial?
- ¿Qué tan cerca estamos de crear computadoras inteligentes?