El aprendizaje por transferencia es una técnica de machine learning que consiste en utilizar el conocimiento adquirido por un modelo entrenado en una tarea específica para mejorar el rendimiento de otro modelo en una tarea relacionada pero diferente.
En el aprendizaje por transferencia, se utiliza un modelo pre-entrenado, llamado modelo fuente, que ha aprendido a resolver una tarea específica, para inicializar los pesos del modelo de destino, que se utiliza para resolver una tarea relacionada pero diferente. La idea detrás del aprendizaje por transferencia es que el modelo pre-entrenado ya ha aprendido características generales y útiles del dominio de la tarea fuente, que también pueden ser útiles para la tarea de destino.
El aprendizaje por transferencia se utiliza comúnmente en aplicaciones de visión por computadora y procesamiento de lenguaje natural, donde los datos de entrenamiento pueden ser limitados o costosos de obtener. También se utiliza en casos donde la tarea objetivo es lo suficientemente diferente de la tarea fuente, como para requerir una adaptación del modelo, pero aún hay algunas similitudes que se pueden aprovechar.
Energía barata, infinita, segura y limpia La Inteligencia Artificial desde la investigación de la Fusión Termonuclear a la generación de ventas o [...]
Leer más »Un artículo publicado en abril de 2021 por Óscar Jiménez El Confidencial, se titulaba así “Premio de 34.000 M para los bancos por aplicar bien i [...]
Leer más »El mercado del Big Data está en plena expansión. Aunque la necesidad de transformar datos en información para la toma de decisiones no es nueva, la [...]
Leer más »La integración de herramientas para análisis predictivo es ya habitual en las grandes empresas, pero gracias a la evolución y, sobre todo, a la dem [...]
Leer más »
