Tipos de machine learning

Retroalimentación

Una introducción a los tipos de aprendizaje automáticoLección 5 de 31Por Kartik MenonÚltima actualización en Sep 14, 202123747AnteriorSiguienteTabla de contenidos ¿Qué es el aprendizaje automático? Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje por refuerzo Conclusión
El aprendizaje automático ha encontrado sus aplicaciones en casi todos los sectores empresariales. Hay varios algoritmos utilizados en el aprendizaje automático que ayudan a construir modelos complejos. Cada uno de estos algoritmos en el aprendizaje automático puede clasificarse en una categoría determinada. En este artículo, conoceremos los tipos de aprendizaje automático. Esto le permitirá conocer mejor el campo del aprendizaje automático.
El aprendizaje automático es una aplicación de la Inteligencia Artificial que permite a los sistemas aprender de grandes volúmenes de datos y resolver problemas específicos. Utiliza algoritmos informáticos que mejoran su eficacia automáticamente a través de la experiencia.
El aprendizaje supervisado es un tipo de aprendizaje automático que utiliza datos etiquetados para entrenar modelos de aprendizaje automático. En los datos etiquetados, la salida ya se conoce. El modelo sólo tiene que asignar las entradas a las respectivas salidas.

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 forma que imitan el funcionamiento de un cerebro biológico

Tipos de algoritmos de aprendizaje automático

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

Agrupación de k-means

El aprendizaje automático es una técnica de análisis de datos que enseña a los ordenadores a hacer lo que es natural para los humanos y los animales: aprender de la experiencia. Los algoritmos de aprendizaje automático utilizan métodos computacionales para “aprender” información directamente de los datos sin depender de una ecuación predeterminada como modelo. Los algoritmos mejoran adaptativamente su rendimiento a medida que aumenta el número de muestras disponibles para el aprendizaje. El aprendizaje profundo es una forma especializada de aprendizaje automático.
Los algoritmos de aprendizaje automático encuentran patrones naturales en los datos que generan conocimiento y ayudan a tomar mejores decisiones y predicciones. Se utilizan todos los días para tomar decisiones críticas en el diagnóstico médico, el comercio de acciones, la previsión de la carga de energía y mucho más. Por ejemplo, los sitios de medios de comunicación se basan en el aprendizaje automático para cribar millones de opciones y ofrecerle recomendaciones de canciones o películas. Los minoristas lo utilizan para conocer el comportamiento de compra de sus clientes.
Considere la posibilidad de utilizar el aprendizaje automático cuando tenga una tarea o un problema complejo que implique una gran cantidad de datos y muchas variables, pero sin una fórmula o ecuación existente. Por ejemplo, el aprendizaje automático es una buena opción si necesita manejar situaciones como éstas: