![¿Cómo utilizan los profesionales del aprendizaje automático la predicción estructurada? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0])); - Tecnología](https://a.continuousdev.com/technology/how-do-machine-learning-professionals-use-structured-prediction-evalez_write_tag32050techopedia_com-under_page_titleezslot_824200.png "¿Cómo utilizan los profesionales del aprendizaje automático la predicción estructurada? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0])); - Tecnología")
Contenido
Q:
¿Cómo utilizan los profesionales del aprendizaje automático la predicción estructurada?
UNA:
Los profesionales del aprendizaje automático utilizan la predicción estructurada de muchas maneras, generalmente aplicando alguna forma de técnica de aprendizaje automático a un objetivo o problema particular que puede beneficiarse de un punto de partida más ordenado para el análisis predictivo.
Una definición técnica de predicción estructurada implica "predecir objetos estructurados en lugar de valores escalares discretos o reales".
Otra forma de decir eso sería que, en lugar de simplemente medir variables individuales en el vacío, las predicciones estructuradas funcionan a partir de un modelo de una estructura particular, y lo utilizan como base para aprender y hacer predicciones. (Lea ¿Cómo puede ayudar la IA en la predicción de la personalidad?)
Las técnicas para la predicción estructurada son muy variables: desde técnicas bayesianas hasta programación lógica inductiva, redes lógicas de Markov y máquinas de vectores de soporte estructurado o algoritmos vecinos más cercanos, los profesionales de aprendizaje automático tienen un amplio conjunto de herramientas a su disposición para aplicar a los problemas de datos.
Lo que es común en estas ideas es el uso de alguna estructura subyacente en la que se basa inherentemente el trabajo de aprendizaje automático.
Los expertos a menudo dan la idea del procesamiento del lenguaje natural, donde las partes del discurso están etiquetadas para representar elementos de una estructura; otros ejemplos incluyen el reconocimiento óptico de caracteres, donde un programa de aprendizaje automático reconoce palabras escritas a mano al analizar segmentos de una entrada dada, o el procesamiento de imágenes complejas , donde las computadoras aprenden a reconocer objetos basados en entradas segmentadas, por ejemplo, con una red neuronal convolucional compuesta de muchas "capas".
Los expertos pueden hablar sobre clasificación lineal multiclase, funciones de compatibilidad lineal y otras técnicas básicas para generar predicciones estructuradas. En un sentido muy general, las predicciones estructuradas se basan en un modelo diferente al campo más amplio del aprendizaje automático supervisado: para volver al ejemplo de predicciones estructuradas en el procesamiento del lenguaje natural y fonemas o palabras etiquetadas, vemos que el uso del etiquetado para el aprendizaje automático supervisado está orientado hacia el modelo estructural en sí mismo, el significado que se proporciona, tal vez en conjuntos de prueba y conjuntos de capacitación.
Luego, cuando el programa de aprendizaje automático se suelta para hacer su trabajo, se basa en el modelo estructural. Eso, dicen los expertos, explica parte de cómo el programa comprende cómo utilizar partes del discurso como verbos, adverbios, adjetivos y sustantivos, en lugar de confundirlos con otras partes del discurso, o no poder distinguir cómo funcionan en un contexto global. . (Lea ¿Cómo están estructurados sus datos? Examinando datos estructurados, no estructurados y semiestructurados).
El campo de la predicción estructurada sigue siendo una parte clave del aprendizaje automático a medida que evolucionan varios tipos de aprendizaje automático e inteligencia artificial.