Tipos de aprendizaje  

  RSS
admin
(@admin)
Miembro Admin

Machine Learning (ML) es un aprendizaje automatizado con poca o ninguna intervención humana. Implica programar computadoras para que aprendan de las entradas disponibles. El objetivo principal del aprendizaje automático 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 formación 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 automático pueden ser numéricos, textuales, de audio, visuales o multimedia. Los datos de salida correspondientes del sistema pueden ser un número de coma flotante, por ejemplo, la velocidad de un cohete, un número entero que representa una categoría o una clase, por ejemplo, una paloma o un girasol a partir del reconocimiento de imágenes.

En este capítulo, aprenderemos sobre los datos de capacitación a los que nuestros programas accederán y cómo el proceso de aprendizaje es automático y cómo se evalúa el éxito y el rendimiento de dichos algoritmos de aprendizaje automático.

Conceptos de aprendizaje

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

El aprendizaje se puede clasificar en general en tres categorías, como se menciona a continuación, en función de la naturaleza de los datos de aprendizaje y la interacción entre el alumno y el entorno:

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

Del mismo modo, hay cuatro categorías de algoritmos de aprendizaje automático como se muestra a continuación:

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

Sin embargo, los más utilizados son el aprendizaje supervisado y no supervisado.

Aprendizaje supervisado

El aprendizaje supervisado se usa comúnmente en aplicaciones del mundo real, como el reconocimiento facial y de voz, productos o recomendaciones de películas y pronósticos de ventas. El aprendizaje supervisado se puede clasificar en dos tipos: Regresión y Clasificación.

La regresión entrena y predice una respuesta de valor continuo, por ejemplo, prediciendo precios de bienes raíces.

La clasificación intenta encontrar la etiqueta de clase apropiada, como analizar el sentimiento positivo/negativo, personas masculinas y femeninas, tumores benignos y malignos, préstamos seguros y no seguros, etc.

En el aprendizaje supervisado, los datos de aprendizaje vienen con la descripción, 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 construcción de un modelo de aprendizaje automático que se basa en muestras etiquetadas. Por ejemplo, si construimos un sistema para estimar el precio de un terreno o una casa en función de varias características, como el tamaño, la ubicación, etc., primero debemos crear una base de datos y etiquetarla. Necesitamos enseñarle al algoritmo qué características corresponden a qué precios. Con base en estos datos, el algoritmo aprenderá cómo calcular el precio de bienes inmuebles utilizando los valores de las características de entrada.

El aprendizaje supervisado se relaciona con el aprendizaje de una función a partir de los datos de capacitación disponibles. Aquí, un algoritmo de aprendizaje analiza los datos de entrenamiento y produce una función derivada que se puede usar para mapear nuevos ejemplos. Hay muchos algoritmos de aprendizaje supervisado, como regresión logística, redes neuronales, máquinas de vectores de soporte (SVM) y clasificadores Naive Bayes.

Los ejemplos comunes de aprendizaje supervisado incluyen la clasificación de correos electrónicos en categorías de correo no deseado y no spam, el etiquetado de páginas web basadas en su contenido y el reconocimiento de voz.

Para continuar viendo el resto de contenido por favor Regístrate o Inicia Sesión

This topic was modified hace 6 meses by admin
This topic was modified hace 3 meses 2 times by admin
This topic was modified hace 1 semana 3 times by admin
Citar
Respondido : 25/09/2018 7:46 pm
Apsu
 Apsu
(@apsu)
New Member

Me gustaría más ejemplos prácticos de la vida real para poder entender mejor los conceptos y como poder aplicarlos. Muy buen Blog!

ResponderCitar
Respondido : 19/02/2019 10:49 pm
Share:
  
Trabajando

Por favor Iniciar Sesión o Registro