No aprendizado de máquina, a aprendizagem de características ou aprendizagem de representações é um processo que aprende automaticamente a representação de dados brutos. Essas representações podem ser usadas para melhorar o desempenho de algoritmos de aprendizado de máquina em tarefas como classificação e detecção. O aprendizado de características pode ser supervisionado, não supervisionado ou semi-supervisionado. É uma técnica poderosa que pode ser usada em uma ampla variedade de aplicações de aprendizado de máquina, incluindo reconhecimento de fala, reconhecimento de imagem e processamento de linguagem natural. É frequentemente usada em conjunto com outras técnicas de aprendizado de máquina, como redes neurais profundas e aprendizado por reforço, para melhorar o desempenho do modelo.
Tipos Existem três tipos principais de aprendizagem de características: supervisionado, não supervisionado e auto-supervisionado (ou auto-supervisão).
Aprendizado supervisionado de características – as características são aprendidas usando dados rotulados.Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall . Aprendizado não supervisionado de características – as características são aprendidas com dados não rotulados, analisando a relação entre os pontos no conjunto de dados.Hinton, Geoffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. . Aprendizado auto-supervisionado de características – as características são aprendidas usando dados não rotulados como no aprendizado não supervisionado, no entanto, pares de entrada-rotulagem são construídos a partir de cada ponto de dados.
Categoria:Aprendizagem de máquina