Repräsentationslernen, auch als Darstellungslernen bekannt, ist eine Methode, die maschinelles Lernen verwendet, um einen vektorisierten Ausdruck jeder Entität oder Beziehung zu erhalten, sodass beim Erstellen von Klassifikatoren oder anderen prädiktiven Variablen nützliche Informationen leichter extrahiert werden können.

Beim maschinellen Lernen ist das Repräsentationslernen eine technische Integration des Merkmalslernens: das heißt, die Umwandlung von Rohdaten in eine Form, die vom maschinellen Lernen genutzt werden kann. Es vermeidet die mühsame manuelle Extraktion von Features und ermöglicht das Erlernen der Verwendung von Features, während die Extraktionsmethode beherrscht wird.

Repräsentationslernklassifizierung

Es gibt zwei Haupttypen des Repräsentationslernens: überwachtes Repräsentationslernen und unüberwachtes Repräsentationslernen.

• Überwachtes Repräsentationslernen: Beschriftete Daten werden als Merkmale zum Lernen verwendet, wie etwa neuronale Netzwerke, mehrschichtige Perzeptronen und überwachtes Wörterbuchlernen;
• Unüberwachtes Repräsentationslernen: Unbeschriftete Daten werden als Merkmale zum Lernen verwendet, z. B. unüberwachtes Wörterbuchlernen, unabhängige Komponentenanalyse, Autokodierung, Matrixzerlegung, Clusteranalyse und deren Variationen.

Übergeordnete/Verwandte Wörter: Maschinelles Lernen