मशीन लर्निंग रिसर्च पेपर अक्सर सीखने और अनुमान को दो अलग-अलग कार्यों के रूप में मानते हैं, लेकिन यह मेरे लिए बिल्कुल स्पष्ट नहीं है कि भेद क्या है। में इस पुस्तक उदाहरण के लिए वे कार्य के दोनों प्रकार के लिए बायेसियन आंकड़ों का उपयोग, लेकिन वह गौरव के लिए एक प्रेरणा प्रदान नहीं करते। मेरे पास कई अस्पष्ट विचार हैं जिनके बारे में यह हो सकता है, लेकिन मैं एक ठोस परिभाषा देखना चाहूंगा और शायद मेरे विचारों का खंडन या विस्तार भी कर सकता हूं:
- एक निश्चित डेटा बिंदु के लिए अव्यक्त चर के मानों को संदर्भित करने और डेटा के लिए एक उपयुक्त मॉडल सीखने के बीच अंतर।
- Variances निकालने (अंतर) और अंतर सीखने के बीच अंतर ताकि variances निकालने में सक्षम हो (इनपुट स्थान / प्रक्रिया / दुनिया की गतिशीलता सीखकर)।
- तंत्रिका-संबंधी सादृश्य अल्पकालिक पोटेंशिएन / डिप्रेशन (स्मृति निशान) बनाम दीर्घकालिक पोटेंशियल / डिप्रेशन हो सकता है।
4
यह सुनिश्चित नहीं है कि यह मदद करता है, लेकिन आंकड़ों में एक अंतर यह है कि क्या आप निष्कर्ष के रूप में सीखने के बारे में सोचना चाहते हैं (ज्यादातर बेयस) या अनुमान के रूप में (ज्यादातर आवृत्तिवादी)। पूर्व के लिए, सबकुछ के बारे में सीखना - अव्यक्त चर, पैरामीटर, पूर्वानुमान, मॉडल - एक अनुमान है (जो एक वितरण लौटाता है)। उत्तरार्द्ध के लिए कुछ सीखने की समस्याएं एक अनुमान और अन्य एक अनुमान समस्या हो सकती हैं (जो इसके लिए एक अनुमान और नमूना-सैद्धांतिक रूप से प्रेरित अनिश्चितता सीमा देता है)।
—
संयुक्ताक्षरी
"लर्निंग" मशीन सीखने के एल्गोरिथ्म को प्रशिक्षित करने की प्रक्रिया के लिए केवल एक रूपक रूपक है। मुझे नहीं लगता कि यहाँ प्राप्त करने के लिए बहुत अंतर्दृष्टि है।
—
साइकोरैक्स का कहना है कि मोनिका
@ क्या आपने लिंक किए गए प्रश्न को बिल्कुल पढ़ा है ? कोई भी उत्तर स्पष्ट नहीं है जो मैं पूछ रहा हूं।
—
लेनार होयट
@conjugateprior मशीन लर्निंग में, कोई भी यह नहीं कहेगा कि "सब कुछ के बारे में सीखना - अव्यक्त चर, पैरामीटर, पूर्वानुमान, मॉडल - एक अनुमान है"। सीखना और अनुमान लगाना पूरी तरह से अलग माना जाता है, भले ही वे दोनों वितरण का उत्पादन कर सकते हैं।
—
नील जी।
