miniatura|445x445px|Diagrama del paradigma d'aprenentatge de funcions en aprenentatge automàtic per a l'aplicació a tasques posteriors, que es pot aplicar a dades en brut, com ara imatges o text, o a un conjunt inicial de funcions per a les dades. L'aprenentatge de funcions té com a objectiu un entrenament més ràpid o un millor rendiment en la configuració específica de la tasca que si les dades s'introduïssin directament.Goodfellow, Ian (2016). Deep learning. Yoshua Bengio, Aaron Courville. Cambridge, Massachusetts. p. 524–534. . .
En l'aprenentatge automàtic, l'aprenentatge de característiques o l'aprenentatge de representacions és un conjunt de tècniques que permeten a un sistema descobrir automàticament les representacions necessàries per a la detecció o classificació de característiques a partir de dades en brut. Això substitueix l'enginyeria manual de funcions i permet que una màquina aprengui les funcions i les utilitzi per realitzar una tasca específica.
L'aprenentatge de característiques està motivat pel fet que les tasques d'aprenentatge automàtic, com ara la classificació, sovint requereixen una entrada que sigui matemàtica i computacionalment convenient de processar. Tanmateix, les dades del món real, com ara imatges, vídeo i dades de sensors, no han cedit als intents de definir algorítmicament característiques específiques. Una alternativa és descobrir aquestes característiques o representacions mitjançant l'examen, sense dependre d'algorismes explícits.
L'aprenentatge de funcions pot ser supervisat, no supervisat o autosupervisat.
En l'aprenentatge de funcions supervisat, les funcions s'aprenen mitjançant dades d'entrada etiquetades. Les dades etiquetades inclouen parells d'entrada-etiqueta on l'entrada es dona al model i ha de produir l'etiqueta de veritat bàsica com a resposta correcta.Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall . Això es pot aprofitar per generar representacions de característiques amb el model que donen lloc a una alta precisió de predicció de l'etiqueta. Alguns exemples inclouen xarxes neuronals supervisades, perceptró multicapa i aprenentatge de diccionaris (supervisat). En l'aprenentatge de funcions no supervisat, les funcions s'aprenen amb dades d'entrada sense etiqueta mitjançant l'anàlisi de la relació entre els punts del conjunt de dades.Hinton, Geoffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. . Els exemples inclouen l'aprenentatge de diccionaris, l'anàlisi de components independents, la factorització matricial i diverses formes d'agrupació. En l'aprenentatge de característiques autosupervisades, les característiques s'aprenen utilitzant dades no etiquetades com l'aprenentatge no supervisat, però es construeixen parells d'etiquetes d'entrada a partir de cada punt de dades, cosa que permet aprendre l'estructura de les dades mitjançant mètodes supervisats com ara el descens de gradients. Els exemples clàssics inclouen incrustacions de paraules i codificadors automàtics.Goodfellow, Ian (2016). Deep learning. Yoshua Bengio, Aaron Courville. Cambridge, Massachusetts. p. 499–516. . . Des de llavors, SSL s'ha aplicat a moltes modalitats mitjançant l'ús d'arquitectures de xarxes neuronals profundes com ara CNN i Transformers.
Referències
Categoria:Aprenentatge automàtic