Diferencia entre revisiones de «Aprendizaje automático»
| Línea 5: | Línea 5: | ||
== Tipos de algoritmos de aprendizaje automático == | == Tipos de algoritmos de aprendizaje automático == | ||
| − | Los | + | Los algoritmos de Aprendizaje Automático o, Machine Learning, se agrupan segun el tipo de datos de salida. Algunos tipos de algoritmos son: |
=== Aprendizaje supervisado === | === Aprendizaje supervisado === | ||
| − | Los algoritmos de aprendizaje supervisados hacen predicciones basadas en un conjunto de ejemplos. El algoritmo | + | Los algoritmos de aprendizaje supervisados hacen predicciones basadas en un conjunto de ejemplos. El algoritmo realiza una función que establece correspondencias entre las entradas y las salidas deseadas del sistema. Este algoritmo se utiliza para analizar los datos de entrenamiento para entrenar la función que asigna la entrada a la salida. Esta función inferida mapea nuevos ejemplos desconocidos generalizando desde los datos de entrenamiento para anticipar resultados no vistos anteriormente. |
| − | *'''Clasificación:''' | + | *'''Clasificación:''' Se denomina así cuando los datos se utilizan para predecir una variable categórica. |
| − | *'''Regresión:''' | + | *'''Regresión:''' Cuando buscamos predecir valores continuos, los problemas se vuelven en un problema de [https://es.wikipedia.org/wiki/Regresi%C3%B3n_log%C3%ADstica regresión]. |
| + | *'''Pronóstico:''' Este algoritmo hace pronósticos sobre el futuro basado en datos pasados y presentes. Se usa para analizar tendencias. | ||
| + | |||
| + | === Aprendizaje no supervisado === | ||
| + | Al realizar el aprendizaje no supervisado, a la máquina se le entregan datos totalmente sin etiquetas. En este caso, el sistema debe ser capaz de reconocer patrones para poder etiquetar a las nuevas entradas. | ||
| + | |||
| + | *'''Agrupación:''' Se agrupa en conjuntos de ejemplos de datos para que los ejemplos en un grupo sean más similares que los de otros. | ||
| + | *'''Deducción de dimensiones:''' Se reduce el número de variables a considerar. A veces, los datos en bruto tienen características dimensionales muy altas y algunas características son redundantes o irrelevantes para la tarea. Si reducimos la dimensión nos ayudará a encontrar la verdadera relación latente. | ||
| + | |||
| + | === Aprendizaje semi-supervisado === | ||
| + | Este algoritmo se basa en una combinación de los dos anteriores mencionados (supervisado y no supervisado). Si las etiquetas son limitadas, puede utilizar ejemplos no etiquetados para mejorar el aprendizaje supervisado. Con este algoritmo, el aprendizaje utiliza ejemplos sin etiquetar y una pequeña cantidad de ejemplos etiquetados para obtener una mayor precisión. | ||
== Ámbitos de aplicación == | == Ámbitos de aplicación == | ||
| − | + | Sectores como el de las compras online o los filtros anti-spam llevan tiempo sacando partido a estas tecnologías. | |
| − | + | La aplicación práctica del Machine learning depende muchos de los datos de los que se disponga y sobre los que se quiera aplicar esta técnica. Estos son algunos ejemplos más: | |
*Detectar fraude en transacciones. | *Detectar fraude en transacciones. | ||
Revisión de 20:03 18 oct 2017
El aprendizaje automático es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. El aprendizaje automático se centra en el desarrollo de programas informáticos que pueden cambiar cuando se exponen a nuevos datos. Es, por lo tanto, un proceso de inducción del conocimiento.
Contenido
Tipos de algoritmos de aprendizaje automático
Los algoritmos de Aprendizaje Automático o, Machine Learning, se agrupan segun el tipo de datos de salida. Algunos tipos de algoritmos son:
Aprendizaje supervisado
Los algoritmos de aprendizaje supervisados hacen predicciones basadas en un conjunto de ejemplos. El algoritmo realiza una función que establece correspondencias entre las entradas y las salidas deseadas del sistema. Este algoritmo se utiliza para analizar los datos de entrenamiento para entrenar la función que asigna la entrada a la salida. Esta función inferida mapea nuevos ejemplos desconocidos generalizando desde los datos de entrenamiento para anticipar resultados no vistos anteriormente.
- Clasificación: Se denomina así cuando los datos se utilizan para predecir una variable categórica.
- Regresión: Cuando buscamos predecir valores continuos, los problemas se vuelven en un problema de regresión.
- Pronóstico: Este algoritmo hace pronósticos sobre el futuro basado en datos pasados y presentes. Se usa para analizar tendencias.
Aprendizaje no supervisado
Al realizar el aprendizaje no supervisado, a la máquina se le entregan datos totalmente sin etiquetas. En este caso, el sistema debe ser capaz de reconocer patrones para poder etiquetar a las nuevas entradas.
- Agrupación: Se agrupa en conjuntos de ejemplos de datos para que los ejemplos en un grupo sean más similares que los de otros.
- Deducción de dimensiones: Se reduce el número de variables a considerar. A veces, los datos en bruto tienen características dimensionales muy altas y algunas características son redundantes o irrelevantes para la tarea. Si reducimos la dimensión nos ayudará a encontrar la verdadera relación latente.
Aprendizaje semi-supervisado
Este algoritmo se basa en una combinación de los dos anteriores mencionados (supervisado y no supervisado). Si las etiquetas son limitadas, puede utilizar ejemplos no etiquetados para mejorar el aprendizaje supervisado. Con este algoritmo, el aprendizaje utiliza ejemplos sin etiquetar y una pequeña cantidad de ejemplos etiquetados para obtener una mayor precisión.
Ámbitos de aplicación
Sectores como el de las compras online o los filtros anti-spam llevan tiempo sacando partido a estas tecnologías.
La aplicación práctica del Machine learning depende muchos de los datos de los que se disponga y sobre los que se quiera aplicar esta técnica. Estos son algunos ejemplos más:
- Detectar fraude en transacciones.
- Predecir fallos en equipos tecnológicos.
- Predecir el tráfico urbano.
- Hacer prediagnósticos médicos basados en síntomas del paciente.
- Decidir cual es la mejor hora para llamar a un cliente en concreto.
