En el aprendizaje automático y el reconocimiento de patrones, una '''característica''' es una característica en forma de propiedad o característica medible individualmente de un fenómeno observado.Christopher Bishop: ''Reconocimiento de patrones y aprendizaje automático. '' Springer, Berlín 2006. ISBN 0-387-31073-8
''Extracción de características'' procesa los atributos creados por una construcción de características y crea nuevas características a partir de ellos. La ''Extracción de características'' también tiene como objetivo reducir la complejidad computacional e intenta transformar toda la información en una combinación de nuevas características.Kilian: [https://datadrivencompany.de/feature-en ... ng-methods -and-examples /#Feature_Engineering_vs_Feature_Extraction_What_is_the_difference ''Ingeniería de funciones: explicación, métodos y ejemplos.''] Data Driven Company, 7 de julio de 2020. Consultado el 6 de junio de 2024.
La definición de características para una tarea específica puede ser realizada de forma independiente por expertos o por un modelo durante su proceso de aprendizaje.
== Tipos de características ==
=== Características registradas directamente en términos numéricos ===
Características numéricas que se pueden definir en una escala como edad, altura, ingresos de las personas o cifras clave de un informe empresarial.
=== Categorías como características ===
Características estructurales que resumen las propiedades de un grupo en categorías como el género de las personas, cadenas de caracteres, códigos postales o secuencias de letras y gráficos (teoría de grafos) como objetos interrelacionados. Para la mayoría de los algoritmos de IA, dichas categorías deben convertirse en características numéricas antes de procesarlas.Andrew Engel: [https://towardsdatascience.com/categori ... 768d587ab6 ''Variables categóricas para Algoritmos de aprendizaje automático.''] Towards Data Science, 16 de marzo de 2022. Consultado el 5 de junio de 2024. Ejemplo: Las seis definiciones de género permitidas legalmente en Austria podrían representarse con seis bits.
== Selección de características ==
Si se sabe que una gran cantidad de funciones resuelven una tarea como el análisis de imágenes, el entrenamiento de un modelo de aprendizaje se puede limitar a una selección de funciones.[https://scikit-learn.org/stable/modules ... _selection. html ' 'Aprendizaje supervisado: 1.13. Selección de funciones.''] scikit-learn.org. Consultado el 6 de junio de 2024.
== Visualización de características ==
Una característica numérica se puede representar como un vector de características en un espacio multidimensional. Para su uso en modelos de aprendizaje profundo, dichos vectores de características se relacionan con los pesos correspondientes (parámetros (inteligencia artificial)) de las conexiones entre los nodos de la red (neuronas artificiales) utilizando el método de predicción lineal. Trevor Hastie et al.: ''The Elements of Aprendizaje estadístico: minería de datos, inferencia y predicción". Springer 2009. ISBN 978-0-387-84884-6
== Interpretación de las características existentes ==
En el caso de modelos de IA complejos existentes, se intenta encontrar posteriormente características generadas de forma autónoma por el modelo durante el proceso de aprendizaje utilizando la interpretación|Inteligencia artificial explicable.Kevin Roose: [https://www.nytimes.com/ 2024/05 /21/technology/ai-language-models-anthropic.html ''Las cajas negras de la IA ahora son un poco menos misteriosas.''] En: ''New York Times'', 21 de mayo de 2024. Consultado el 6 de junio de 2024. Para hacer esto, se utilizan modelos de aprendizaje profundo para buscar subconjuntos de datos que representen mejor ciertas características abstractas (“Interpretabilidad mecanística”). Estas funciones se pueden activar posteriormente para nuevas tareas (“ingeniería rápida|prompts”) con propiedades similares.Charles Q. Choi: [https://spectrum.ieee.org/black-box-ai ' '200-Year -Las antiguas matemáticas abren la misteriosa caja negra de la IA.''] En: ''IEEE Spectrum'', 25 de febrero de 2023. Consultado el 6 de junio de 2024. Esta tecnología se utilizó en modelos simples ya en 2023 y se aplicó . En el modelo de lenguaje grande más complejo ''Claude-3 Sonnet'' de Anthropic, ya se detectaron millones de características de este tipo en 2024.Adly Templeton et al.: [https://transformer-circuits.pub/2024 / scaling-monosemanticity/index.html ''Escalado de la monosemanticidad: extracción de características interpretables del soneto de Claude 3.''] anthropic, 21 de mayo de 2024. Recuperado el 5. Junio de 2024.
== Ver también ==
* Inteligencia artificial
* Aprendizaje profundo
* Inteligencia artificial explicable
* Análisis de funciones lento
[h4] En el aprendizaje automático y el reconocimiento de patrones, una '''característica''' es una característica en forma de propiedad o característica medible individualmente de un fenómeno observado.Christopher Bishop: ''Reconocimiento de patrones y aprendizaje automático. '' Springer, Berlín 2006. ISBN 0-387-31073-8
''Extracción de características'' procesa los atributos creados por una construcción de características y crea nuevas características a partir de ellos. La ''Extracción de características'' también tiene como objetivo reducir la complejidad computacional e intenta transformar toda la información en una combinación de nuevas características.Kilian: [https://datadrivencompany.de/feature-engineering-erklaerung-methods -and-examples /#Feature_Engineering_vs_Feature_Extraction_What_is_the_difference ''Ingeniería de funciones: explicación, métodos y ejemplos.''] Data Driven Company, 7 de julio de 2020. Consultado el 6 de junio de 2024.
La definición de características para una tarea específica puede ser realizada de forma independiente por expertos o por un modelo durante su proceso de aprendizaje.
== Tipos de características == === Características registradas directamente en términos numéricos === Características numéricas que se pueden definir en una escala como edad, altura, ingresos de las personas o cifras clave de un informe empresarial.
=== Categorías como características === Características estructurales que resumen las propiedades de un grupo en categorías como el género de las personas, cadenas de caracteres, códigos postales o secuencias de letras y gráficos (teoría de grafos) como objetos interrelacionados. Para la mayoría de los algoritmos de IA, dichas categorías deben convertirse en características numéricas antes de procesarlas.Andrew Engel: [https://towardsdatascience.com/categorical-variables-for-machine-learning-algorithms-d2768d587ab6 ''Variables categóricas para Algoritmos de aprendizaje automático.''] Towards Data Science, 16 de marzo de 2022. Consultado el 5 de junio de 2024. Ejemplo: Las seis definiciones de género permitidas legalmente en Austria podrían representarse con seis bits.
== Selección de características == Si se sabe que una gran cantidad de funciones resuelven una tarea como el análisis de imágenes, el entrenamiento de un modelo de aprendizaje se puede limitar a una selección de funciones.[https://scikit-learn.org/stable/modules/feature_selection. html ' 'Aprendizaje supervisado: 1.13. Selección de funciones.''] scikit-learn.org. Consultado el 6 de junio de 2024.
== Visualización de características == Una característica numérica se puede representar como un vector de características en un espacio multidimensional. Para su uso en modelos de aprendizaje profundo, dichos vectores de características se relacionan con los pesos correspondientes (parámetros (inteligencia artificial)) de las conexiones entre los nodos de la red (neuronas artificiales) utilizando el método de predicción lineal. Trevor Hastie et al.: ''The Elements of Aprendizaje estadístico: minería de datos, inferencia y predicción". Springer 2009. ISBN 978-0-387-84884-6
== Interpretación de las características existentes == En el caso de modelos de IA complejos existentes, se intenta encontrar posteriormente características generadas de forma autónoma por el modelo durante el proceso de aprendizaje utilizando la interpretación|Inteligencia artificial explicable.Kevin Roose: [https://www.nytimes.com/ 2024/05 /21/technology/ai-language-models-anthropic.html ''Las cajas negras de la IA ahora son un poco menos misteriosas.''] En: ''New York Times'', 21 de mayo de 2024. Consultado el 6 de junio de 2024. Para hacer esto, se utilizan modelos de aprendizaje profundo para buscar subconjuntos de datos que representen mejor ciertas características abstractas (“Interpretabilidad mecanística”). Estas funciones se pueden activar posteriormente para nuevas tareas (“ingeniería rápida|prompts”) con propiedades similares.Charles Q. Choi: [https://spectrum.ieee.org/black-box-ai ' '200-Year -Las antiguas matemáticas abren la misteriosa caja negra de la IA.''] En: ''IEEE Spectrum'', 25 de febrero de 2023. Consultado el 6 de junio de 2024. Esta tecnología se utilizó en modelos simples ya en 2023 y se aplicó . En el modelo de lenguaje [url=viewtopic.php?t=11010]grande[/url] más complejo ''Claude-3 Sonnet'' de Anthropic, ya se detectaron millones de características de este tipo en 2024.Adly Templeton et al.: [https://transformer-circuits.pub/2024 / scaling-monosemanticity/index.html ''Escalado de la monosemanticidad: extracción de características interpretables del soneto de Claude 3.''] anthropic, 21 de mayo de 2024. Recuperado el 5. Junio de 2024.
== Ver también == * Inteligencia artificial * Aprendizaje profundo * Inteligencia artificial explicable * Análisis de funciones lento
'''Scalloping''' es una forma particular de esculpir las paredes de las cuevas de piedra caliza mediante la disolución mediante agua que fluye turbulentamente que contiene dióxido de carbono disuelto...
'''Radar New Energy Vehicle (Zhejiang) Co., Ltd.''', comúnmente conocido como '''Radar Auto''' (
La empresa tiene su propia instalación de investigación y desarrollo (I+D) en Hangzhou (Hangzhou,...
La idea de una '''explotación de cajero automático''' es destruir el cajero automático, para poder sacar el dinero que hay en su interior. Esto también se ha hecho con otras máquinas expendedoras...
'''El Concurso de Matemáticas de Aprendizaje Noético''' es un concurso nacional semestral de resolución de problemas para estudiantes de primaria y secundaria.
== Historia ==
El Concurso de...
'''Aprendizaje curricular''' es una técnica de aprendizaje por refuerzo profundo en la que el agente es entrenado en ejemplos de dificultad creciente. La definición de dificultad puede darse...
Mobile version