An Introduction to Conditional Random Fields
Dans les applications modernes de l'apprentissage automatique, la prédiction d'une seule étiquette de classe n'est souvent pas suffisante. Nous voulons plutôt prédire un grand nombre de variables qui dépendent les unes des autres, comme une étiquette de classe pour chaque mot d'un document ou pour chaque région d'une image.
Ce problème de prédiction structurée est nettement plus difficile que le problème de classification simple, car nous voulons apprendre comment les différentes étiquettes dépendent les unes des autres. Les champs aléatoires conditionnels offrent une solution puissante à ce problème. Ils combinent les avantages de la classification et de la modélisation graphique, car ils associent la capacité des modèles graphiques à modéliser de manière compacte des données multivariées à la capacité des méthodes de classification à effectuer des prédictions à l'aide de vastes ensembles de caractéristiques d'entrée.
Au cours des dix dernières années, les CRF ont suscité un intérêt croissant pour des applications aussi diverses que le traitement du langage naturel, la vision par ordinateur et la bio-informatique. An Introduction to Conditional Random Fields (Introduction aux champs aléatoires conditionnels) est un tutoriel complet destiné aux praticiens orientés vers l'application et cherchant à appliquer les CRFs.
Cette étude ne présuppose pas de connaissances préalables en modélisation graphique, et est donc destinée à être utile aux praticiens dans une grande variété de domaines. Elle comprend une discussion sur la construction des caractéristiques, l'inférence et l'estimation des paramètres dans les CRFs.
En outre, la monographie comprend également des sections sur les "astuces du métier" pour les CRF qui sont difficiles à trouver dans la littérature publiée.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)