Feature learning
Le feature learning (ou apprentissage par représentation)
est un ensemble de techniques qui permet à un système de détecter automatiquement les représentations nécessaires à la fonction de détection ou de classification des données brutes.
Cela remplace l’enrichissement de données manuel et permet à une machine à la fois apprendre les caractéristiques et les utiliser pour effectuer une tâche spécifique.
Le feature learning est motivé par le fait que les tâches d’apprentissage automatique telles que la classification nécessitent une entrée qui soit pratique sur le plan mathématique et informatique. Cependant, les données du monde réel telles que les images, la vidéo et les données de capteur n'ont pas permis de tenter de définir par algorithme des caractéristiques spécifiques. Une alternative consiste à découvrir de telles caractéristiques ou représentations à travers un examen, sans recourir à des algorithmes explicites.
L'apprentissage des fonctionnalités peut être supervisé ou non supervisé.
Dans l’apprentissage supervisé des caractéristiques, les caractéristiques sont apprises à l'aide de données d'entrée étiquetées. Les exemples incluent les réseaux de neurones supervisés, le perceptron multicouche et l’apprentissage par dictionnaire (supervisé).
Dans l'apprentissage des fonctionnalités non supervisées, les fonctionnalités sont apprises avec des données d'entrée non étiquetées. Exemples: extraction de dictionnaire, analyse en composantes indépendantes, auto - encodeurs, factorisation matricielle et diverses formes de classification