Edição final com todos os recursos atualizados:
Para um projeto, estou aplicando algoritmos de aprendizado de máquina para classificação.
Desafio: dados rotulados bastante limitados e muito mais dados não rotulados.
Metas:
- Aplicar classificação semi-supervisionada
- Aplique um processo de rotulagem semi-supervisionado (conhecido como aprendizado ativo)
Encontrei muitas informações de trabalhos de pesquisa, como a aplicação de EM, SVM transdutivo ou S3VM (Semi-supervisionado SVM) ou, de alguma forma, uso de LDA, etc.
Pergunta: Onde estão as implementações e fontes práticas?
Atualização final (com base nas ajudas fornecidas por mpiktas, bayer e Dikran Marsupial)
Aprendizagem semi-supervisionada:
- TSVM: em SVMligth e SVMlin .
- EM Naive Bayes em Python
- EM no projeto LinePipe
Aprendizado ativo:
- Dualista : uma implementação de aprendizado ativo com código fonte na classificação de texto
- Esta página da web oferece uma maravilhosa visão geral do aprendizado ativo.
- Um workshop experimental de Design: aqui .
Aprendizagem profunda:
- Vídeo introdutório aqui .
- Site geral .
- Tutorial de aprendizado de recursos não supervisionados e aprendizado profundo de Stanford .
Há um pacote de R RTextTools . Se não me engano, ele implementa vários dos métodos mencionados.
—
Mvctas # 7/11
Oi mpiktas, obrigado por sua ajuda. É um kit de ferramentas interessante. No entanto, parece estar lidando apenas com o aprendizado supervisionado, enquanto eu leio "O TextTools é um pacote de aprendizado de máquina gratuito e de código aberto para classificação automática de texto, o que simplifica a introdução de aprendizado supervisionado por usuários iniciantes e avançados. O pacote inclui nove algoritmos para classificação de conjuntos (svm, slda, boosting, ensacamento, florestas aleatórias, glmnet, árvores de decisão, redes neurais, entropia máxima) "
—
Flake
Drat, peguei a versão mais antiga do livro! Muito obrigado por apontar esta fonte!
—
Flake
