Gracias por A2A
Un ‘método de kernel’ se compone de dos partes:
1. Un mapeo en la incrustación o espacio de características
2. Un algoritmo de aprendizaje para descubrir patrones lineales en ese espacio.
Los patrones descubiertos tienen multitud de aplicaciones en minería de patrones, agrupamiento, clasificación, etc. Basado en tareas de primer nivel, sistemas más inteligentes a saber. Se pueden diseñar motores de recomendación, sistemas de toma de decisiones, etc. La asignación se llama formalmente como función del núcleo. Además de mapear de un espacio no lineal a un espacio lineal, representa una métrica de similitud entre los puntos de datos (como el producto de puntos).
- Cómo implementar un modelo entrenado de TensorFlow (solo parte de propaganda directa) en CPP puro
- En weka, ¿qué significan las cuatro opciones de prueba y cuándo las usa?
- ¿El evento IBM Watson vs. Jeopardy perjudicó los campos de aprendizaje automático e inteligencia humana?
- ¿Cómo utiliza Quora el aprendizaje automático en 2015?
- Cómo estructurar sus proyectos de aprendizaje automático
Los pasos principales en un sistema de recomendación son:
1. recopilar datos
2. Prepare los datos (por ejemplo, kernel-PCA para la reducción de dimensiones)
3. utilizando estos datos, analice a quién le gusta qué y forme un patrón; formar un modelo de regresión o clasificación para representar lo mismo, por ejemplo, SVM (un método de kernel)
4. Forme una tabla de clasificación basada en alguna métrica de similitud (de nuevo, una función del núcleo se puede utilizar como métrica de similitud).
