¿Cuál es la diferencia entre el aprendizaje automático inductivo, deductivo y abductivo?


Respuesta 1:

APRENDIZAJE DE MÁQUINA INDUCTIVA:

Desde la perspectiva del aprendizaje inductivo, se nos dan muestras de entrada (x) y muestras de salida (f (x)) y el problema es estimar la función (f). Específicamente, el problema es generalizar a partir de las muestras y el mapeo para que sea útil para estimar la salida de nuevas muestras en el futuro.

En la práctica, casi siempre es demasiado difícil estimar la función, por lo que estamos buscando muy buenas aproximaciones de la función.

Algunos ejemplos prácticos de inducción son:

  • Evaluación del riesgo de crédito: La x son las propiedades del cliente. La f (x) está aprobada o no por crédito. Diagnóstico de enfermedades: La x son las propiedades del paciente. La f (x) es la enfermedad que padecen. Reconocimiento facial: Las x son mapas de bits de las caras de las personas. La f (x) es para asignar un nombre a la cara. Dirección automática: Las x son imágenes de mapa de bits de una cámara frente al automóvil. La f (x) es el grado en que se debe girar el volante.

Aprendizaje automático deductivo:

Un enfoque deductivo para la enseñanza del lenguaje comienza dando reglas a los alumnos, luego ejemplos y luego práctica. Es un enfoque centrado en el maestro para presentar nuevos contenidos. Esto se compara con un enfoque inductivo, que comienza con ejemplos y pide a los alumnos que encuentren reglas y, por lo tanto, está más centrado en el alumno.

Aprendizaje automático abductivo:

El secuestro y la inducción son formas estrictamente relacionadas de razonamiento anulable. Sin embargo, la investigación de Machine Learning se centra principalmente en técnicas inductivas, que van desde ejemplos específicos hasta reglas generales, con aplicaciones para la clasificación, diagnóstico y síntesis de programas. La abducción se ha utilizado en Machine Learning, pero su uso era típicamente una técnica aparte, para integrarse o agregarse al esquema inductivo básico. Discutimos la relación general entre el razonamiento abductivo e inductivo, mostrando que resuelven diferentes instancias del mismo problema. Luego analizamos las formas específicas en que se ha utilizado la abducción en Machine Learning. Se individualizan dos casos diferentes:

El razonamiento abductivo utilizado en los sistemas de aprendizaje basados ​​en explicaciones como una heurística para guiar la búsqueda en la especialización de arriba hacia abajo, y

Secuestro utilizado para generar ejemplos faltantes en el aprendizaje relacional. En ambos casos, el uso de la abducción no es general y está adaptado a un problema muy pequeño y específico.

En este sentido, la comunidad de Machine Learning no ha utilizado la abducción como sinónimo de inducción, a pesar del alto grado de similitud. Sin embargo, ambos usos de la abducción en el aprendizaje han demostrado ser efectivos para los fines previstos.


Respuesta 2:

El procedimiento clásico de aprendizaje automático sigue el paradigma científico de inducción y deducción. En el paso inductivo, aprendemos el modelo a partir de datos sin procesar (denominado conjunto de entrenamiento), y en el paso deductivo, el modelo se aplica para predecir el comportamiento de los nuevos datos. (Ahora, la "predicción" se usa en un sentido vago, porque el modelo en sí mismo, por ejemplo, la red bayesiana, puede consistir en dos tipos de proposiciones: hipótesis y evidencia. Podemos predecir la evidencia (estado de cosas), cuando se da la hipótesis, o busque la explicación más probable, cuando se observa alguna evidencia. También el diagnóstico de posibles causas es probabilístico, es decir, '' predicción '', pero ambas tareas son el uso deductivo del modelo).