Introducción al Aprendizaje Semisupervisado

El aprendizaje semisupervisado es un paradigma de aprendizaje que se ocupa del estudio de cómo las computadoras y los sistemas naturales como los humanos aprenden en presencia de datos tanto etiquetados como no etiquetados. Tradicionalmente, el aprendizaje se ha estudiado ya sea en el paradigma no supervisado (por ejemplo, agrupación, detección de valores atípicos) donde todos los datos no están etiquetados, o en el paradigma supervisado (por ejemplo, clasificación, regresión) donde todos los datos están etiquetados. El objetivo del aprendizaje semisupervisado es comprender cómo la combinación de datos etiquetados y no etiquetados puede cambiar el comportamiento del aprendizaje, y diseñar algoritmos que aprovechen dicha combinación. El aprendizaje semisupervisado es de gran interés en el aprendizaje automático y la minería de datos porque puede utilizar datos no etiquetados fácilmente disponibles para mejorar las tareas de aprendizaje supervisado cuando los datos etiquetados son escasos o costosos. El aprendizaje semisupervisado también muestra potencial como herramienta cuantitativa para comprender el aprendizaje de categorías humanas, donde la mayor parte de la entrada es, evidentemente, no etiquetada. En este libro introductorio, presentamos algunos modelos populares de aprendizaje semisupervisado, incluyendo el autoaprendizaje, los modelos de mezcla, el co-entrenamiento y el aprendizaje multivista, los métodos basados en gráficos y las máquinas de vectores de soporte semisupervisadas. Para cada modelo, discutimos su formulación matemática básica. El éxito del aprendizaje semisupervisado depende críticamente de algunas suposiciones subyacentes. Hacemos hincapié en las suposiciones hechas por cada modelo y damos contraejemplos cuando es apropiado para demostrar las limitaciones de los diferentes modelos. Además, discutimos el aprendizaje semisupervisado para la psicología cognitiva. Finalmente, damos una perspectiva teórica del aprendizaje computacional sobre el aprendizaje semisupervisado, y concluimos el libro con una breve discusión de preguntas abiertas en el campo. Tabla de contenidos: Introducción al aprendizaje automático estadístico / Resumen del aprendizaje semisupervisado / Modelos de mezcla y EM / Co-entrenamiento / Aprendizaje semisupervisado basado en gráficos / Máquinas de vectores de soporte semisupervisadas / Aprendizaje semisupervisado humano / Teoría y perspectivas

Autor: Xiaojin Zhu, Andrew B. Goldberg
Editorial: Springer
Publicado: 08/06/2009
Páginas: 116
Tipo de encuadernación: Tapa blanda
Peso: 0.53 libras
Tamaño: 9.25h x 7.50w x 0.28d
ISBN13: 9783031004209
ISBN10: 3031004205
Categorías BISAC:
- Computadoras | Inteligencia artificial | General
- Matemáticas | Aplicadas

Sobre el autor
Xiaojin Zhu es profesor asistente en el departamento de Ciencias de la Computación de la Universidad de Wisconsin-Madison. Sus intereses de investigación incluyen el aprendizaje automático estadístico y sus aplicaciones en psicología cognitiva, procesamiento de lenguaje natural y lenguajes de programación. Xiaojin recibió su doctorado del Instituto de Tecnologías del Lenguaje de la Universidad Carnegie Mellon en 2005. Trabajó en el reconocimiento de voz en mandarín como miembro del personal de investigación en IBM China Research Laboratory en 1996-1998. Recibió su maestría y licenciatura en ciencias de la computación de la Universidad Jiaotong de Shanghai en 1996 y 1993, respectivamente. Sus otros intereses incluyen la astronomía y la geología. Andrew B. Goldberg es candidato a doctorado en el departamento de Ciencias de la Computación de la Universidad de Wisconsin-Madison. Sus intereses de investigación se centran en el aprendizaje automático estadístico (en particular, el aprendizaje semisupervisado) y el procesamiento del lenguaje natural. Ha formado parte del comité del programa para conferencias nacionales e internacionales, incluidas AAAI, ACL, EMNLP y NAACL-HLT. Andrew recibió una beca de posgrado de primer año de la Universidad de Wisconsin-Madison para 2005-2006 y una beca Yahoo! Key Technical Challenges para 2008-2009. Antes de sus estudios de posgrado, Andrew obtuvo una licenciatura en ciencias de la computación de Amherst College, donde se graduó magna cum laude con distinción departamental en 2003. Luego pasó dos años escribiendo, editando y desarrollando materiales de enseñanza para libros de texto de introducción a la informática y programación web en Deitel and Associates. Durante este tiempo, contribuyó a varios libros de Deitel y fue coautor de la tercera edición de Internet & World Wide Web How to Program. En 2005, Andrew ingresó a la escuela de posgrado en la Universidad de Wisconsin-Madison y, en 2006, recibió su maestría en ciencias de la computación. En su tiempo libre, Andrew disfruta de la música en vivo, la cocina, la fotografía y los viajes.

Este título no es retornable