Letzte Bearbeitung mit allen Ressourcen aktualisiert:
Für ein Projekt wende ich Algorithmen für maschinelles Lernen zur Klassifizierung an.
Herausforderung: Sehr begrenzte beschriftete Daten und viel mehr unbeschriftete Daten.
Tore:
- Wenden Sie eine halbüberwachte Klassifizierung an
- Wenden Sie einen halbüberwachten Etikettierungsprozess an (bekannt als aktives Lernen).
Ich habe viele Informationen aus Forschungsarbeiten gefunden, wie zum Beispiel die Anwendung von EM, Transductive SVM oder S3VM (Semi Supervised SVM) oder die Verwendung von LDA usw. Auch zu diesem Thema gibt es nur wenige Bücher.
Frage: Wo sind die Implementierungen und praktischen Quellen?
Letztes Update (basierend auf den Hilfen von mpiktas, bayer und Dikran Marsupial)
Teilüberwachtes Lernen:
- TSVM: in SVMligth und SVMlin .
- EM Naive Bayes in Python
- EM im LinePipe-Projekt
Aktives Lernen:
- Dualist : eine Implementierung des aktiven Lernens mit Quellcode zur Textklassifizierung
- Diese Webseite bietet einen wunderbaren Überblick über aktives Lernen.
- Ein experimenteller Design Workshop: hier .
Tiefes Lernen:
- Einführungsvideo hier .
- Allgemeine Website .
- Stanford Unbeaufsichtigtes Lern- und Deep-Learning- Tutorial .
Es gibt ein R-Paket RTextTools . Wenn ich mich nicht irre, werden mehrere der von Ihnen genannten Methoden implementiert.
—
mpiktas
Hallo mpiktas, danke für deine freundliche Hilfe. Es ist ein interessantes Toolkit. Es scheint sich jedoch nur um betreutes Lernen zu handeln, da ich lese "TextTools ist ein kostenloses Open-Source-Paket für maschinelles Lernen zur automatischen Textklassifizierung, das Anfängern und Fortgeschrittenen den Einstieg in das betreute Lernen erleichtert. Das Paket enthält neun Algorithmen für die Ensemble-Klassifikation (SVM, SVDA, Boosting, Bagging, zufällige Wälder, GLMnet, Entscheidungsbäume, neuronale Netze, maximale Entropie) "
—
Flake
Drat, ich habe die ältere Version des Buches! Vielen Dank für den Hinweis auf diese Quelle!
—
Flake
