In che modo gli algoritmi di apprendimento automatico supervisionati o non supervisionati migliorano rispetto ai nuovi set di dati

1

Utilizzando corso di Coursera sull'apprendimento automatico , ho imparato alcune cose su supervati e algoritmi non controllati .

E da Wikipedia ho letto che l'apprendimento automatico è "per ottenere prestazioni migliori / P per le attività / T con ogni attività in corso, ovvero l'esperienza / E ".

Ora, in quegli algoritmi quello che vedo è che gli danno un set di dati (pre-etichettati per algoritmi supervisionati o non per l'altro) e gli algoritmi cercano di capire i dati e generare un output.

Ma non riesco davvero a scoprire WHERE e HOW nel processo quegli algoritmi BECOME BETTER con ogni nuovo set di dati che ricevono.

Apprezzo davvero qualsiasi aiuto qui. Mi sono perso qualcosa sull'apprendimento automatico? Senza la parte ottenere-meglio-con-ogni-nuovo-dataset , in che modo questi algoritmi sono diversi dai normali programmi che scriviamo con un'enorme quantità di clausole e cicli condizionali?

    
posta Saeed Neamati 09.12.2015 - 23:42
fonte

1 risposta

4

Il corso Coursera copre solo i metodi "batch" o "offline" per l'apprendimento automatico. Nei metodi batch, si allena il modello una volta e quindi si utilizza il modello addestrato come risorsa statica. Quello che stai cercando sono i metodi di apprendimento automatico online . In genere ciò comporta la ricerca di un algoritmo in cui i nuovi dati possono essere combinati con il modello esistente per generare un nuovo modello migliorato, ma senza semplicemente lanciare i nuovi dati nello stesso piatto con i vecchi dati e riprendere da zero.

    
risposta data 10.12.2015 - 02:37
fonte

Leggi altre domande sui tag