Todos los proyectos en TensorFlow que he visto en GitHub implementan algún tipo de modelo de red neuronal. Dado que TensorFlow es una mejora con respecto al DAG (ya no es acíclico), me preguntaba si alguna deficiencia inherente lo hace inadecuado para el modelo general de aprendizaje automático.
En el modelo computacional de TensorFlow, ¿es posible implementar algoritmos generales de aprendizaje automático?
Esto es un poco un necropost, pero si todavía está interesado, aquí hay un conjunto de tutoriales generales de tensorflow que explican cómo ejecutar las cosas en tensorflow. Incluye ejemplos de hacer regresiones lineales y vecinas más cercanas, por lo que debería ayudar con su pregunta original.
https://github.com/aymericdamien/TensorFlow-Examples
Además, aquí está el tutorial original de tensorflow para hacer ecuaciones diferenciales en tensorflow. Le da una idea de la flexibilidad del gráfico de cálculo de tensorflow.
https://www.tensorflow.org/versions/r0.9/tutorials/pdes/index.html
Con TensorFlow puede implementar cualquier algoritmo de aprendizaje automático que se base en el descenso de gradiente y la retropropagación (regla de cadena) o que pueda reiniciarse como tal. Eso incluye regresión logística, máquinas de vectores de soporte y muchos otros. Pero no sabría cómo implementar un bosque aleatorio en TensorFlow.
Algunas de las operaciones numpy se reflejan en TensorFlow, por lo que si puede implementarlo en numpy, la transferencia a TensorFlow puede ser sencilla. Por ejemplo, aquí hay un ejemplo de agrupación de K-means: /programming/33621643/how-would-i-implement-k-means-with-tensorflow