Web Analytics
Avisos
Vaciar todo

¡Bienvenido a zonaia 😀!


Un foro de ayuda para aprender a crear chatbots.


Aprende ManyChat, Chatfuel y Dialogflow.


¡No esperes más y únete a nosotros hoy!


Tipos de aprendizaje  

 

Leonardo Mayorga
(@admin)
Miembro Admin
Registrado: hace 2 a帽os
Respuestas: 474
25/09/2018 7:46 pm  

Machine Learning (ML) es un aprendizaje automatizado con poca o ninguna intervenci贸n humana. Implica programar computadoras para que aprendan de las entradas disponibles. El objetivo principal del aprendizaje autom谩tico es explorar y construir algoritmos que puedan aprender de los datos anteriores y hacer predicciones sobre nuevos datos de entrada.

La entrada a un algoritmo de aprendizaje es la formaci贸n de datos, que representa la experiencia, y la salida es cualquier experiencia, que generalmente toma la forma de otro algoritmo que puede realizar una tarea. Los datos de entrada a un sistema de aprendizaje autom谩tico pueden ser num茅ricos, textuales, de audio, visuales o multimedia. Los datos de salida correspondientes del sistema pueden ser un n煤mero de coma flotante, por ejemplo, la velocidad de un cohete, un n煤mero entero que representa una categor铆a o una clase, por ejemplo, una paloma o un girasol a partir del reconocimiento de im谩genes.

En este cap铆tulo, aprenderemos sobre los datos de capacitaci贸n a los que nuestros programas acceder谩n y c贸mo el proceso de aprendizaje es autom谩tico y c贸mo se eval煤a el 茅xito y el rendimiento de dichos algoritmos de aprendizaje autom谩tico.

[h2]Conceptos de aprendizaje[/h2]

El aprendizaje es el proceso de convertir la experiencia en experiencia o conocimiento.

El aprendizaje se puede clasificar en general en tres categor铆as, como se menciona a continuaci贸n, en funci贸n de la naturaleza de los datos de aprendizaje y la interacci贸n entre el alumno y el entorno:

  • Aprendizaje supervisado
  • Aprendizaje no supervisado
  • Aprendizaje semi-supervisado

Del mismo modo, hay cuatro categor铆as de algoritmos de aprendizaje autom谩tico como se muestra a continuaci贸n:

  • Algoritmo de aprendizaje supervisado
  • Algoritmo de aprendizaje no supervisado
  • Algoritmo de aprendizaje semi-supervisado
  • Algoritmo de aprendizaje reforzado

Sin embargo, los m谩s utilizados son el aprendizaje supervisado y no supervisado.

[h2]Aprendizaje supervisado[/h2]

El aprendizaje supervisado se usa com煤nmente en aplicaciones del mundo real, como el reconocimiento facial y de voz, productos o recomendaciones de pel铆culas y pron贸sticos de ventas. El aprendizaje supervisado se puede clasificar en dos tipos: Regresi贸n y Clasificaci贸n.

La regresi贸n entrena y predice una respuesta de valor continuo, por ejemplo, prediciendo precios de bienes ra铆ces.

La clasificaci贸n intenta encontrar la etiqueta de clase apropiada, como analizar el sentimiento positivo/negativo, personas masculinas y femeninas, tumores benignos y malignos, pr茅stamos seguros y no seguros, etc.

En el aprendizaje supervisado, los datos de aprendizaje vienen con la descripci贸n, las etiquetas, los objetivos o los resultados deseados y el objetivo es encontrar una regla general que mapee las entradas a los resultados. Este tipo de datos de aprendizaje se llama datos etiquetados. La regla aprendida se usa para etiquetar datos nuevos con salidas desconocidas.

El aprendizaje supervisado implica la construcci贸n de un modelo de aprendizaje autom谩tico que se basa en muestras etiquetadas. Por ejemplo, si construimos un sistema para estimar el precio de un terreno o una casa en funci贸n de varias caracter铆sticas, como el tama帽o, la ubicaci贸n, etc., primero debemos crear una base de datos y etiquetarla. Necesitamos ense帽arle al algoritmo qu茅 caracter铆sticas corresponden a qu茅 precios. Con base en estos datos, el algoritmo aprender谩 c贸mo calcular el precio de bienes inmuebles utilizando los valores de las caracter铆sticas de entrada.

El aprendizaje supervisado se relaciona con el aprendizaje de una funci贸n a partir de los datos de capacitaci贸n disponibles. Aqu铆, un algoritmo de aprendizaje analiza los datos de entrenamiento y produce una funci贸n derivada que se puede usar para mapear nuevos ejemplos. Hay muchos algoritmos de aprendizaje supervisado, como regresi贸n log铆stica, redes neuronales, m谩quinas de vectores de soporte (SVM) y clasificadores Naive Bayes.

Los ejemplos comunes de aprendizaje supervisado incluyen la clasificaci贸n de correos electr贸nicos en categor铆as de correo no deseado y no spam, el etiquetado de p谩ginas web basadas en su contenido y el reconocimiento de voz.

Para continuar viendo el resto de contenido por favor Crea Una Cuenta o Inicia Sesi贸n


Citar
Apsu
 Apsu
(@apsu)
Miembro Nuevo
Registrado: hace 2 a帽os
Respuestas: 2
19/02/2019 10:49 pm  

Me gustar铆a m谩s ejemplos pr谩cticos de la vida real para poder entender mejor los conceptos y como poder aplicarlos. Muy buen Blog!


ResponderCitar
Compartir:
Sitio web hecho con 鉂 para el mundo