Aprendizagem de características

Parte de uma série sobre
Aprendizado de máquina e mineração de dados
Problemas Classificação Agrupamento Regressão Detecção de anomalias AutoML Regras de associação Aprendizagem por reforço Predição estruturada Engenharia de características Aprendizagem de características Aprendizagem online Aprendizagem semissupervisionada Aprendizagem não supervisionada Aprendizagem de ordenação Aprendizado de ontologias Indução de gramática
Aprendizagem supervisionada (classificação • regressão) Árvores de decisão Ensembles Bagging Boosting Floresta aleatória k-NN Regressão linear Naive Bayes Redes neurais artificiais Regressão logística Máquina de vetores de relevância (RVM) Máquina de vetores de suporte (SVM) Otimização de Política Proximal Perceptron
Clustering BIRCH CURE Hierarchical Difuso k-means Maximização de expectativa (EM) DBSCAN OPTICS Mean-shift
Redução de dimensionalidade Análise fatorial CCA ICA LDA NMF PCA PGD t-SNE SDL
Predição estruturada Modelos gráficos Rede bayesiana Campo aleatório condicional Markov oculto
Detecção de anomalias RANSAC k-NN LOF Isolation Forest
Rede neural artificial Autoencoder Computação cognitiva Aprendizagem profunda DeepDream Perceptron multicamadas RNN LSTM GRU ESN Máquina de Boltzmann restrita GAN SOM Rede neural convolucional U-Net Transformer Spiking neural network Memtransistor RAM eletroquímica (ECRAM)
Aprendizagem por reforço Aprendizagem Q SARSA Diferença temporal (TD)
Teoria Equilíbrio entre viés e variância Teoria da aprendizagem computacional Minimização de risco empírico Aprendizagem Occam Aprendizagem PAC Aprendizagem estatística Teoria VC
Locais de aprendizado de máquina NeurIPS ICML ML JMLR ArXiv
Artigos relacionados Glossário de inteligência artificial Lista de conjuntos de dados para pesquisa em aprendizagem de máquina Visão geral da aprendizagem de máquina Função softmax

No aprendizado de máquina, a aprendizagem de características ou aprendizagem de representações é um processo que aprende automaticamente a representação de dados brutos. Essas representações podem ser usadas para melhorar o desempenho de algoritmos de aprendizado de máquina em tarefas como classificação e detecção. O aprendizado de características pode ser supervisionado, não supervisionado ou semi-supervisionado. É uma técnica poderosa que pode ser usada em uma ampla variedade de aplicações de aprendizado de máquina, incluindo reconhecimento de fala, reconhecimento de imagem e processamento de linguagem natural. É frequentemente usada em conjunto com outras técnicas de aprendizado de máquina, como redes neurais profundas e aprendizado por reforço, para melhorar o desempenho do modelo.

Tipos

Existem três tipos principais de aprendizagem de características: supervisionado, não supervisionado e auto-supervisionado (ou auto-supervisão).

• Aprendizado supervisionado de características – as características são aprendidas usando dados rotulados.
• Aprendizado não supervisionado de características – as características são aprendidas com dados não rotulados, analisando a relação entre os pontos no conjunto de dados.
• Aprendizado auto-supervisionado de características – as características são aprendidas usando dados não rotulados como no aprendizado não supervisionado, no entanto, pares de entrada-rotulagem são construídos a partir de cada ponto de dados.