Algoritmos de machine learning

ver más

El aprendizaje automático (AM) es el estudio de los algoritmos informáticos que pueden mejorar automáticamente a través de la experiencia y el uso de datos[1] Se considera una parte de la inteligencia artificial. Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como “datos de entrenamiento”, con el fin de hacer predicciones o tomar decisiones sin estar explícitamente programados para ello[2]. Los algoritmos de aprendizaje automático se utilizan en una amplia variedad de aplicaciones, como en medicina, filtrado de correo electrónico, reconocimiento del habla y visión por ordenador, donde es difícil o inviable desarrollar algoritmos convencionales para realizar las tareas necesarias[3].
Un subconjunto del aprendizaje automático está estrechamente relacionado con la estadística computacional, que se centra en la realización de predicciones mediante ordenadores; pero no todo el aprendizaje automático es aprendizaje estadístico. El estudio de la optimización matemática aporta métodos, teoría y dominios de aplicación al campo del aprendizaje automático. La minería de datos es un campo de estudio relacionado, que se centra en el análisis exploratorio de datos a través del aprendizaje no supervisado[5][6] Algunas implementaciones del aprendizaje automático utilizan datos y redes neuronales de una manera que imita el funcionamiento de un cerebro biológico[7][8] En su aplicación a los problemas empresariales, el aprendizaje automático también se conoce como análisis predictivo.

ver más

El aprendizaje automático (AM) es el estudio de los algoritmos informáticos que pueden mejorar automáticamente a través de la experiencia y el uso de datos[1] Se considera una parte de la inteligencia artificial. Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como “datos de entrenamiento”, con el fin de hacer predicciones o tomar decisiones sin estar explícitamente programados para ello[2]. Los algoritmos de aprendizaje automático se utilizan en una amplia variedad de aplicaciones, como en medicina, filtrado de correo electrónico, reconocimiento del habla y visión por ordenador, donde es difícil o inviable desarrollar algoritmos convencionales para realizar las tareas necesarias[3].
Un subconjunto del aprendizaje automático está estrechamente relacionado con la estadística computacional, que se centra en la realización de predicciones mediante ordenadores; pero no todo el aprendizaje automático es aprendizaje estadístico. El estudio de la optimización matemática aporta métodos, teoría y dominios de aplicación al campo del aprendizaje automático. La minería de datos es un campo de estudio relacionado, que se centra en el análisis exploratorio de datos a través del aprendizaje no supervisado[5][6] Algunas implementaciones del aprendizaje automático utilizan datos y redes neuronales de una manera que imita el funcionamiento de un cerebro biológico[7][8] En su aplicación a los problemas empresariales, el aprendizaje automático también se conoce como análisis predictivo.

hoja de trucos sobre algoritmos de aprendizaje automático

El aprendizaje automático y la inteligencia artificial (IA) son probablemente las palabras de moda hoy en día. Sin embargo, la mayoría de los periodistas, los consumidores y las empresas no entienden realmente bien estos dos términos. Existen varias definiciones de IA, siendo la mínima la que requiere que el agente “vea”, “oiga” o “lea” y tome decisiones singulares basadas en ello. La definición más compleja de IA requiere que el agente replique la inteligencia humana general, como se ve en las películas. Sin embargo, para la mayoría de los contextos empresariales, la inteligencia mínima ya proporciona una eficiencia muy superior a la que existe en los procesos actuales. La mayor parte de esto puede lograrse mediante el uso de Machine Learning.
El Aprendizaje Automático es un dominio de las ciencias de la computación con su base en las matemáticas computacionales y la estadística. A la máquina se le muestra una tonelada de datos y aprende el patrón en los datos para hacer predicciones futuras, reconocer nuevos patrones o sugerir diferentes clases a los datos. En términos generales, los algoritmos de aprendizaje automático son de tres tipos: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. Una comprensión básica de los diferentes tipos de algoritmos le ayudará a elegir un algoritmo para su proyecto o simplemente le ayudará a apreciar la gran variedad de problemas que la IA puede resolver utilizando el aprendizaje automático.

regresión logística

En su forma más básica, el aprendizaje automático utiliza algoritmos programados que reciben y analizan datos de entrada para predecir valores de salida dentro de un rango aceptable. A medida que se introducen nuevos datos, estos algoritmos aprenden y optimizan sus operaciones para mejorar su rendimiento, desarrollando su “inteligencia” con el tiempo.
En el aprendizaje supervisado, la máquina se enseña con el ejemplo. El operador proporciona al algoritmo de aprendizaje automático un conjunto de datos conocido que incluye las entradas y salidas deseadas, y el algoritmo debe encontrar un método para determinar cómo llegar a esas entradas y salidas. Mientras el operador conoce las respuestas correctas al problema, el algoritmo identifica patrones en los datos, aprende de las observaciones y hace predicciones. El algoritmo hace predicciones y es corregido por el operador, y este proceso continúa hasta que el algoritmo alcanza un alto nivel de precisión/rendimiento.
El aprendizaje semisupervisado es similar al supervisado, pero utiliza datos etiquetados y no etiquetados.  Los datos etiquetados son esencialmente información que tiene etiquetas significativas para que el algoritmo pueda entender los datos, mientras que los datos no etiquetados carecen de esa información. Al utilizar esta