| dbo:abstract
|
- En el aprendizaje automático, el aprendizaje de características o aprendizaje de representación es un conjunto de técnicas que permite que un sistema descubra automáticamente las representaciones necesarias para la detección o clasificación de características a partir de datos sin procesar. Esto reemplaza la ingeniería de característica manual y permite que una máquina aprenda características y las use para realizar una tarea específica. El aprendizaje de característica está motivado por el hecho de que la máquina que aprende tareas como la clasificación a menudo requiere entrada que es matemáticamente y computacionalmente conveniente de procesar. Aun así, datos del mundo real como imágenes, vídeos, y datos de sensor no permiten definir algorítmicamente características específicas. Una alternativa es descubrir tales características o representaciones a través de exámenes, sin depender de algoritmos explícitos. El aprendizaje de características puede ser supervisado o no supervisado.
* En el aprendizaje de características supervisado, las características se aprenden utilizando datos de entrada etiquetados. Los ejemplos incluyen redes neuronales supervisadas, perceptrón multicapa y aprendizaje de diccionario (supervisado) .
* En el aprendizaje de características no supervisado, las características se aprenden con datos de entrada sin etiqueta. Los ejemplos incluyen aprendizaje de diccionario, análisis de componentes independientes, autoencoders, factorización matricial y varias formas de agrupamiento. (es)
- En el aprendizaje automático, el aprendizaje de características o aprendizaje de representación es un conjunto de técnicas que permite que un sistema descubra automáticamente las representaciones necesarias para la detección o clasificación de características a partir de datos sin procesar. Esto reemplaza la ingeniería de característica manual y permite que una máquina aprenda características y las use para realizar una tarea específica. El aprendizaje de característica está motivado por el hecho de que la máquina que aprende tareas como la clasificación a menudo requiere entrada que es matemáticamente y computacionalmente conveniente de procesar. Aun así, datos del mundo real como imágenes, vídeos, y datos de sensor no permiten definir algorítmicamente características específicas. Una alternativa es descubrir tales características o representaciones a través de exámenes, sin depender de algoritmos explícitos. El aprendizaje de características puede ser supervisado o no supervisado.
* En el aprendizaje de características supervisado, las características se aprenden utilizando datos de entrada etiquetados. Los ejemplos incluyen redes neuronales supervisadas, perceptrón multicapa y aprendizaje de diccionario (supervisado) .
* En el aprendizaje de características no supervisado, las características se aprenden con datos de entrada sin etiqueta. Los ejemplos incluyen aprendizaje de diccionario, análisis de componentes independientes, autoencoders, factorización matricial y varias formas de agrupamiento. (es)
|
