Patrones de diseño de aprendizaje automático

Capítulo 3. Patrones de diseño de representación de problemas

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Enel Capítulo 2 se examinaron los patrones de diseño que catalogan las innumerables formas en que pueden representarse las entradas de los modelos de aprendizaje automático. Este capítulo examina distintos tipos de problemas de aprendizaje automático y analiza cómo varían las arquitecturas de los modelos en función del problema.

Los tipos de entrada y de salida son dos factores clave que influyen en la arquitectura del modelo. Por ejemplo, la salida en los problemas de aprendizaje automático supervisado puede variar en función de si el problema que se resuelve es de clasificación o de regresión. Existen capas de redes neuronales especiales para tipos específicos de datos de entrada: capas convolucionales para imágenes, voz, texto y otros datos con correlación espaciotemporal, redes recurrentes para datos secuenciales, etc. Ha surgido una enorme literatura en torno a técnicas especiales como la agrupación de máximos, la atención, etc. en estos tipos de capas. Además, se han elaborado clases especiales de soluciones para problemas habituales como las recomendaciones (como la factorización matricial) o la previsión de series temporales (por ejemplo, ARIMA). Por último, se puede utilizar un grupo de modelos más sencillos junto con modismos comunes para resolver problemas más complejos: por ejemplo, la generación ...