¡Ayuda al desarrollo del sitio, compartiendo el artículo con amigos!
Introducción a los tipos de aprendizaje automático
El siguiente artículo proporciona un resumen de los tipos de aprendizaje automático. El aprendizaje automático es el subcampo de la IA que se centra en el desarrollo de programas informáticos que tienen acceso a los datos al proporcionar un sistema con la capacidad de aprender y mejorar automáticamente.
Por ejemplo, la búsqueda de patrones en la base de datos sin intervenciones o acciones humanas se basa en el tipo de datos, es decir, etiquetados o no, y en las técnicas utilizadas para entrenar el modelo en un conjunto de datos determinado.El aprendizaje automático se clasifica además como algoritmos de aprendizaje supervisado, no supervisado, de refuerzo y semisupervisado; todos estos tipos de técnicas de aprendizaje se utilizan en diferentes aplicaciones.
¿Qué es el aprendizaje automático?
El aprendizaje automático es una pequeña área de aplicación de la inteligencia artificial en la que las máquinas aprenden automáticamente de las operaciones y se afinan para ofrecer un mejor resultado. Con base en los datos recopilados, las máquinas mejoran los programas de computadora alineándose con la salida requerida. Debido a esta capacidad de una máquina para aprender por sí misma, no se requiere una programación explícita de estas computadoras.
Sin embargo, ya se ha filtrado en nuestras vidas en todas partes sin que lo sepamos. Prácticamente todas las máquinas que usamos y las máquinas de tecnología avanzada que presenciamos en la última década han incorporado el aprendizaje automático para mejorar la calidad de los productos. Algunos ejemplos de aprendizaje automático son los automóviles autónomos, las búsquedas web avanzadas y el reconocimiento de voz.
Diferencia entre la programación convencional y el aprendizaje automático
Programación convencional=La lógica está programada + Los datos se ingresan + La lógica se ejecuta en los datos + Salida
Aprendizaje automático=Se ingresan los datos + Se ingresa la salida esperada + Ejecutarlo en la máquina para entrenar el algoritmo desde la entrada hasta la salida; en resumen, deje que cree su propia lógica para llegar desde la entrada hasta la salida + Algoritmo entrenado utilizado en datos de prueba para la predicción.
Métodos de aprendizaje automático
Tenemos cuatro tipos principales de métodos de aprendizaje automático basados en el tipo de aprendizaje que esperamos de los algoritmos:
1. Aprendizaje automático supervisado
Los algoritmos de aprendizaje supervisado se utilizan cuando la salida se clasifica o etiqueta. Estos algoritmos aprenden de los datos pasados que se ingresan, llamados datos de entrenamiento, ejecutan su análisis y utilizan este análisis para predecir eventos futuros de cualquier dato nuevo dentro de las clasificaciones conocidas.La predicción precisa de los datos de prueba requiere una gran cantidad de datos para tener una comprensión suficiente de los patrones. El algoritmo se puede entrenar aún más comparando los resultados del entrenamiento con los reales y usando los errores para modificar los algoritmos.
Ejemplo de la vida real:
- Clasificación de imágenes - El algoritmo se extrae de la alimentación con datos de imagen etiquetados. Se entrena un algoritmo, y se espera que el algoritmo lo clasifique correctamente en el caso de la nueva imagen.
- Predicción de Mercado - También se llama Regresión. Los datos históricos del mercado comercial se envían a la computadora. Luego, con análisis y algoritmo de regresión, se predice el nuevo precio para el futuro dependiendo de las variables.
2. Aprendizaje automático no supervisado
Los algoritmos de aprendizaje no supervisados se utilizan cuando desconocemos los resultados finales y la clasificación o los resultados etiquetados no están a nuestra disposición.Estos algoritmos estudian y generan una función para describir patrones completamente ocultos y sin etiquetar. Por lo tanto, no hay una salida correcta, pero estudia los datos para generar estructuras desconocidas en datos no etiquetados.
Ejemplo de la vida real:
- Clustering - El algoritmo pide que los datos con características similares se agrupen; esta agrupación se llama clusters. Estos resultan útiles en el estudio de estos grupos, que se pueden aplicar a todos los datos dentro de un grupo más o menos.
- Datos de gran dimensión - Normalmente no es fácil trabajar con datos de gran dimensión. Con la ayuda del aprendizaje no supervisado, se hace posible la visualización de datos de gran dimensión.
- Modelos generativos - Una vez que su algoritmo analiza y obtiene la distribución de probabilidad de la entrada, puede usarse para generar nuevos datos. Esto demuestra ser muy útil en casos de datos f altantes.
3. Aprendizaje automático de refuerzo
Este tipo de algoritmo de aprendizaje automático utiliza el método de prueba y error para generar resultados basados en la mayor eficiencia de la función. La salida se compara para descubrir errores y se retroalimenta al sistema para mejorar o maximizar su rendimiento. El modelo recibe recompensas que son básicamente retroalimentación y castigos en sus operaciones mientras realiza un objetivo en particular.
4. Aprendizaje automático semisupervisado
Estos algoritmos normalmente utilizan datos etiquetados y no etiquetados, donde la cantidad de datos no etiquetados es grande en comparación con los datos etiquetados. Como funciona con ambos y entre algoritmos de aprendizaje supervisados y no supervisados, se denomina aprendizaje automático semisupervisado. Se considera que los sistemas que utilizan estos modelos han mejorado la precisión del aprendizaje.
Ejemplo - Un archivo de imagen puede contener solo algunos de sus datos etiquetados, p. Perro, gato, ratón y una gran parte de las imágenes permanecen sin etiquetar.
Modelos basados en el tipo de resultados de los algoritmos
A continuación se muestran los tipos de modelos de aprendizaje automático basados en el tipo de resultados que esperamos de los algoritmos:
1. Clasificación
Hay una división de clases de las entradas; el sistema produce un modelo a partir de datos de entrenamiento en el que asigna nuevas entradas a una de estas clases. Cae bajo el paraguas del aprendizaje supervisado. Un ejemplo de la vida real puede ser el filtrado de spam, donde los correos electrónicos son la entrada que se clasifica como "spam" o "no spam".
2. Regresión
El algoritmo de regresión también es parte del aprendizaje supervisado, pero la diferencia es que las salidas son variables continuas y no discretas.
Ejemplo - Predecir los precios de la vivienda utilizando datos anteriores.
3. Reducción de dimensionalidad
Este tipo de aprendizaje automático está relacionado con el análisis de entradas y las reduce solo a las relevantes para el desarrollo del modelo. La selección de características, es decir, la selección de entrada y la extracción de características, son temas adicionales necesarios para comprender mejor la reducción de la dimensionalidad.
Sobre la base de los diferentes enfoques anteriores, hay varios algoritmos a considerar. Algunos algoritmos muy comunes son la regresión lineal y logística, los vecinos más cercanos K, los árboles de decisión, las máquinas de vectores de soporte, el bosque aleatorio, etc. Con la ayuda de estos algoritmos, los problemas de decisión complejos pueden tener un sentido de dirección basado en una gran cantidad de datos. . Para lograr esta precisión y oportunidades, se requieren recursos adicionales, así como tiempo. Por lo tanto, el aprendizaje automático utilizado junto con la inteligencia artificial y otras tecnologías es más efectivo para procesar la información.