¿Cuál es la diferencia entre inferencia y aprendizaje?


Respuesta 1:

Gracias por el A2A.

El uso del término aprendizaje e inferencia depende del campo de estudio. La confusión generalmente surge cuando las palabras se usan casualmente sin referencia a un campo en particular.

En el nivel más general, la palabra "inferencia" es algo con lo que todos estamos familiarizados. Observamos algunos datos y queremos aprender algo de ellos. El proceso de observar datos y decir algo bien informado a partir de ellos es una definición intuitiva de inferencia.

Cuando los estadísticos hablan de inferencia, generalmente hablan de inferencia estadística. En inferencia estadística, observamos algunos datos y nos gustaría decir algo bien informado sobre el proceso que generó esos datos. Por lo tanto, las predicciones, las barras de error de estimación, la prueba de hipótesis y la estimación de parámetros serían parte de la inferencia estadística. Observe cómo la estimación de parámetros también se incluye bajo inferencia estadística.

Por otro lado, a los investigadores tradicionales de aprendizaje automático de una tradición en ciencias de la computación a menudo les gusta hacer una distinción entre aprendizaje e inferencia. El aprendizaje está asociado con la estimación de parámetros y no se considera explícitamente como un problema de inferencia. Por lo tanto, la conceptualización del término "inferencia" es más estrecha que la de un estadístico. Por lo general, se considera que la inferencia hace algún tipo de predicción. Por ejemplo, en la regresión lineal, dadas algunas características y algunos parámetros aprendidos, queremos predecir alguna variable con valor real. O, en un problema de procesamiento de imágenes, dada una imagen con muchos valores de píxeles faltantes, es posible que queramos completar los valores más probables para los píxeles faltantes de nuestra distribución conjunta aprendida. Ambas predicciones se llamarían inferencias. Una ventaja de hacer una distinción entre aprendizaje e inferencia es que naturalmente separa los algoritmos de aprendizaje de los algoritmos de inferencia. Aunque para algunos problemas los parámetros se pueden estimar analíticamente, la mayoría de los problemas requieren un algoritmo de aprendizaje, como un algoritmo de descenso de gradiente. De manera similar, en algunos problemas de inferencia, como el ejemplo de procesamiento de imágenes anterior, la predicción generalmente no es un complemento y requiere un algoritmo de inferencia como un algoritmo de muestreo para calcular la predicción. Las cosas se vuelven aún más interesantes en modelos con variables latentes, donde a menudo un algoritmo de inferencia está anidado dentro de un algoritmo de aprendizaje como se ve en los algoritmos MCMC EM.

Para resumir, la diferencia entre inferencia y aprendizaje depende del ojo del modelador. Si piensa como un estadístico, entonces el aprendizaje / estimación de parámetros es un tipo de inferencia. Si piensa como un investigador tradicional de aprendizaje automático, el aprendizaje suele ser la estimación de parámetros y la inferencia suele ser la predicción. Las diferentes perspectivas son útiles en diferentes situaciones.


Respuesta 2:

Respuesta corta

ejemplo especifico

inferencia

todos los ejemplos

aprendizaje

  1. Cuando aprende los parámetros del modelo gráfico, encuentra un conjunto universal de valores para todos sus puntos de datos. Puede ver esto como "aprendizaje" de la topología o la variedad donde viven sus datos (dentro de las restricciones impuestas por el modelo). Responde a la pregunta "¿Qué configuración del modelo explica mejor todos los puntos de datos?" Cuando deduce los parámetros ocultos o latentes, encuentra instancias de variables ocultas o latentes, específicas de un punto de datos. Comprender estas variables ocultas puede ayudar a hacer predicciones con los datos. Está respondiendo la pregunta "¿Qué valores de las variables ocultas explican este punto de datos?"

Otro ejemplo:

Resumen:

Un interesante aparte:

podría

Consideración


Respuesta 3:

Simplificando un poco aquí: son dos tipos de modelos ajustados. El aprendizaje simplemente se ajusta a un modelo predictivo por cualquier medio, mientras que la inferencia se ajusta a un modelo predictivo al estimar los parámetros de algún modelo probabilístico. Por lo tanto, el resultado de ajustar una regresión lineal puede verse como inferencia, pero el resultado de ajustar una máquina de vectores de soporte es solo aprender.