Comience con el aprendizaje automático supervisado (ML) porque es el más fácil, el ML sin supervisión es bastante complejo y difícil de entrenar. En ML supervisado, tiene un objetivo claro que está matemáticamente bien definido, en resumen, tiene una función de costo / pérdida para minimizar en el aprendizaje supervisado, por lo tanto, el objetivo es aprender algún tipo de función de mapeo:
[matemáticas] Y = F (X, \ Theta) [/ matemáticas]
donde [math] \ Theta [/ math] son los parámetros para optimizar, X la entrada y Y la salida.
- ¿Cuáles son los buenos sitios web y foros de inteligencia artificial?
- ¿Cuál es la naturaleza interdisciplinaria de la robótica?
- Me gustaría comenzar un proyecto de IA para un proyecto médico que ayude a hacer un diagnóstico. ¿Dónde empiezo?
- ¿Se puede lograr AGI mediante la optimización basada en gradiente? Si no, ¿por qué OpenAI no se enfoca más en la neuroevolución?
- ¿Puede una computadora usar inteligencia artificial para vencer al 'mejor' jugador de póker siempre?
El objetivo del aprendizaje supervisado no es diferente de la optimización numérica en matemáticas, si puede encontrar la solución analíticamente, incluso no hay necesidad de utilizar métodos iterativos. Pero, en realidad, las soluciones pueden ser complejas, por lo que los métodos analíticos directos no son posibles, es por eso que el ML supervisado utiliza principalmente algoritmos basados en el descenso de gradiente para encontrar la solución aproximada:
[matemáticas] Y \ aprox. G (X, \ Theta) [/ matemáticas]
En ML sin supervisión, las cosas se vuelven aún más complicadas porque es muy difícil determinar la dirección en la que ajustar los parámetros para satisfacer un objetivo vagamente definido. Por lo tanto, en este subcampo de ML, el sistema debe inicializarse adecuadamente, posiblemente utilizando procedimientos de aprendizaje supervisados, para que pueda aprender de manera efectiva.
Para resumir:
El aprendizaje supervisado es un muy buen punto de entrada para los principiantes, mientras que el aprendizaje no supervisado, siendo muy desconocido y un área de investigación muy activa como en DeepMind, es más como la versión avanzada. Es importante comprender los métodos de LD supervisados antes de tratar con el aprendizaje no supervisado más sofisticado. Los algoritmos actuales de ML de última generación también se basan principalmente en el aprendizaje supervisado, por lo que hay mucha literatura al respecto en comparación con el posterior solo porque el aprendizaje supervisado es muy simple en relación con el aprendizaje no supervisado. Es por eso que en DeepMind, literalmente, han dedicado la mayoría de sus recursos a descifrar el aprendizaje de refuerzo profundo (RL) porque de eso se trata la IA realmente fuerte.
Espero que esto ayude.
