19 lines
1.7 KiB
Markdown
19 lines
1.7 KiB
Markdown
|
---
|
||
|
title: Learning Equals Representation Evaluation Optimization
|
||
|
localeTitle: Aprendizagem Equals Representation Evaluation Optimization
|
||
|
---
|
||
|
## Aprendizagem Equals Representation Evaluation Optimization
|
||
|
|
||
|
O campo de aprendizado de máquina explodiu nos últimos anos e os pesquisadores desenvolveu um enorme número de algoritmos para escolher. Apesar desta grande variedade de modelos para escolher, todos eles podem ser destilados em três componentes.
|
||
|
|
||
|
Os três componentes que fazem um modelo de aprendizado de máquina são representação, avaliação e otimização. Esses três são mais diretamente relacionados aprendizado supervisionado, mas também pode estar relacionado ao aprendizado não supervisionado.
|
||
|
|
||
|
**Representação** - descreve como você deseja analisar seus dados. Às vezes você pode querer pensar em seus dados em termos de indivíduos (como em k vizinhos mais próximos) ou como em um gráfico (como em redes bayesianas).
|
||
|
|
||
|
**Avaliação** - para fins de aprendizagem supervisionada, você precisará avaliar ou Ponha uma pontuação em quão bem seu aluno está fazendo para que ele possa melhorar. este avaliação é feita usando uma função evaulation (também conhecido como um _objectivo função_ ou _função de_ _pontuação_ ). Exemplos incluem precisão e erro quadrado.
|
||
|
|
||
|
**Otimização** - usando a função de avaliação acima, você precisa encontrar o aluno com a melhor pontuação desta função de avaliação usando uma escolha de técnica de otimização. Exemplos são uma busca gulosa e uma descida gradiente.
|
||
|
|
||
|
#### Mais Informações:
|
||
|
|
||
|
* [Algumas coisas úteis para aprender sobre aprendizado de máquina](https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf)
|