Todos os projetos do TensorFlow que eu vi no GitHub implementam algum tipo de modelo de rede neural. Dado que o TensorFlow é uma melhoria em relação ao DAG (não é mais acíclico), eu queria saber se algumas deficiências inerentes o tornam inadequado para o modelo geral de aprendizado de máquina?
No Modelo Computacional do TensorFlow, é possível implementar algoritmos gerais de aprendizado de máquina?
Isso é meio que um necropost, mas se você ainda estiver interessado, aqui está um conjunto de tutoriais gerais de fluxo de tensor que explicam como executar coisas no fluxo de tensor. Ele inclui exemplos de regressões lineares e vizinhas mais próximas, por isso deve ajudar com sua pergunta original.
https://github.com/aymericdamien/TensorFlow-Examples
Além disso, aqui está o tutorial original do tensorflow para fazer equações diferenciais no tensorflow. Dá uma idéia da flexibilidade do gráfico de computação do tensorflow.
https://www.tensorflow.org/versions/r0.9/tutorials/pdes/index.html
Com o TensorFlow, você pode implementar qualquer algoritmo de aprendizado de máquina que dependa da descida do gradiente e da retropropagação (regra de cadeia) ou que possa ser reapresentado como tal. Isso inclui regressão logística, máquinas de vetores de suporte e muitas outras. Mas eu não saberia como implementar uma floresta aleatória no TensorFlow.
Algumas operações numpy são espelhadas no TensorFlow; portanto, se você pode implementá-lo numpy, a migração para o TensorFlow pode ser simples. Por exemplo, aqui está um exemplo de cluster K-means: /programming/33621643/how-would-i-implement-k-means-with-tensorflow