Ostateczna edycja ze zaktualizowanymi wszystkimi zasobami:
W przypadku projektu stosuję algorytmy uczenia maszynowego do klasyfikacji.
Wyzwanie: Dość ograniczone dane oznaczone i znacznie więcej danych nieznakowanych.
Cele:
- Zastosuj klasyfikację częściowo nadzorowaną
- Zastosuj w jakiś sposób częściowo nadzorowany proces etykietowania (znany jako aktywne uczenie się)
Znalazłem wiele informacji z prac naukowych, takich jak stosowanie EM, Transductive SVM lub S3VM (Semi Supervised SVM), lub w jakiś sposób korzystanie z LDA itp. Nawet niewiele książek na ten temat.
Pytanie: Gdzie są wdrożenia i źródła praktyczne?
Ostatnia aktualizacja (na podstawie pomocy dostarczonej przez mpiktas, bayer i Dikran Marsupial)
Nauka częściowo nadzorowana:
Aktywne uczenie się:
- Dualist : implementacja aktywnego uczenia się z kodem źródłowym do klasyfikacji tekstu
- Ta strona internetowa stanowi doskonały przegląd aktywnego uczenia się.
- Eksperymentalne warsztaty projektowe: tutaj .
Głęboka nauka:
- Film wprowadzający tutaj .
- Ogólna strona .
- Samouczek funkcji uczenia się i głębokiego uczenia się bez nadzoru Stanforda .
Istnieje pakiet R RTextTools . Jeśli się nie mylę, implementuje kilka wymienionych przez ciebie metod.
—
mpiktas,
Cześć mpikta, dziękuję za miłą pomoc. To ciekawy zestaw narzędzi. Wydaje się jednak, że zajmuje się wyłącznie uczeniem nadzorowanym, ponieważ czytam „TextTools to darmowy pakiet uczenia maszynowego typu open source do automatycznej klasyfikacji tekstu, który ułatwia początkującym i zaawansowanym użytkownikom rozpoczęcie nauki pod nadzorem. dziewięć algorytmów klasyfikacji zestawu (svm, slda, boosting, spakowanie, losowe lasy, glmnet, drzewa decyzyjne, sieci neuronowe, maksymalna entropia) ”
—
Flake
Cholera, mam starszą wersję książki! Wielkie dzięki za wskazanie tego źródła!
—
Flake
