76
правок
Изменения
→Классификация задачи
Мы хотим научиться создавать правдоподобный объект относительно некоторой скрытой структуры исходных объектов. Давайте изучим распределение по ним, а затем просто будем сэмплировать новый объект из этого распределения. Значит эта задача относится к классу задач [[Общие понятия#Обучение без учителя (англ. Unsupervised learning)|обучения без учителя]].
Порождающая модель иногда позволяет использовать обучение [[Общие понятия#Обучение с частичным привлечением учителя (англ. Semi-supervised learning)|с частичным привлечением учителя]]. Если вы хотите Пусть задача состоит в том, чтобы отличить кошек от собак на фотографиях, у вас может . Может быть не так уж много мало хорошо размеченных данных, на которых кошки и собаки старательно отмечены вручную. Но в любом случае львиная доля Основная часть задачи состоит в том, чтобы вообще понять, чем разумные фотографии отличаются от случайного шума в миллионах пикселов. Иначе говоря, распределение <tex>p(y \mid x)</tex>, в котором <tex>y</tex> {{- это --}} один бит «котик ли это?», отвечающий за отдельный признак, а <tex>x</tex> {{--- }} целая фотография, может быть проще обучить, если сначала узнать что-то о распределении определить распределение <tex>p(x)</tex> в целом.
== Вычисление плотности распределения ==
