El aprendizaje automático tiene que ver con la construcción de programas informáticos que mejoren automáticamente con la experiencia. El aprendizaje automático es de naturaleza interdisciplinaria y emplea técnicas de los campos de la informática, la estadística y la inteligencia artificial , entre muchas. Los principales artefactos de la investigación del aprendizaje automático son los algoritmos que facilitan esta mejora automática de la experiencia, los algoritmos que se pueden aplicar en campos tan diversos como la visión por computadora, la inteligencia artificial y la minería de datos.
Machine Learning está haciendo que las computadoras se programen a sí mismas. Si la programación es automatización, el aprendizaje automático automatiza el proceso de automatización.
Cada algoritmo de aprendizaje automático tiene tres componentes :
- ¿Qué son MDA y UML ejecutable? ¿Quién los usa? ¿Son realmente útiles para la industria del software o no software? ¿Cómo puedo aprender esto? ¿Hay algún buen libro que pueda descargar?
- ¿Existe un CRM de código abierto gratuito que pueda instalar en mi propio servidor?
- Cómo asegurarme de que se está utilizando mi tarjeta VEGA principal
- Cómo bloquear mis fotos en Android
- ¿Por qué la noción de un sistema operativo para múltiples usuarios es tan omnipresente?
- Representación : cómo representar el conocimiento. Los ejemplos incluyen árboles de decisión, conjuntos de reglas, instancias, modelos gráficos, redes neuronales, máquinas de vectores de soporte, conjuntos de modelos y otros.
- Evaluación : la forma de evaluar los programas candidatos (hipótesis). Los ejemplos incluyen precisión, predicción y recuperación, error al cuadrado, probabilidad, probabilidad posterior, costo, margen, divergencia de entropía kL y otros.
- Optimización : la forma en que se generan los programas candidatos conocidos como el proceso de búsqueda. Por ejemplo, optimización combinatoria, optimización convexa, optimización restringida.
Hay cuatro tipos de aprendizaje automático :
- Aprendizaje supervisado : (también llamado aprendizaje inductivo ) Los datos de capacitación incluyen los resultados deseados. Esto es spam, esto no es, el aprendizaje es supervisado.
- Aprendizaje no supervisado : los datos de capacitación no incluyen los resultados deseados. El ejemplo es la agrupación. Es difícil saber qué es un buen aprendizaje y qué no.
- Aprendizaje semi-supervisado : los datos de capacitación incluyen algunos resultados deseados.
- Aprendizaje de refuerzo : recompensas de una secuencia de acciones. A los tipos de inteligencia artificial les gusta, es el tipo de aprendizaje más ambicioso.
El aprendizaje supervisado es el más desarrollado, el más estudiado y el tipo de aprendizaje utilizado por la mayoría de los algoritmos de aprendizaje automático. Aprender con supervisión es mucho más fácil que aprender sin supervisión.
El aprendizaje inductivo es donde se nos dan ejemplos de una función en forma de datos ( x ) y la salida de la función ( f (x) ). El objetivo del aprendizaje inductivo es aprender la función para nuevos datos ( x ).
- Clasificación : cuando la función que se aprende es discreta.
- Regresión : cuando la función que se aprende es continua.
- Estimación de probabilidad : cuando la salida de la función es una probabilidad.
Desde la perspectiva del aprendizaje inductivo, se nos dan muestras de entrada (x) y muestras de salida (f (x)) y el problema es estimar la función (f). Específicamente, el problema es generalizar a partir de las muestras y el mapeo para que sea útil para estimar la salida de nuevas muestras en el futuro.
En la práctica, el proceso a menudo se ve así:
Iniciar bucle
- Comprender el dominio, el conocimiento previo y los objetivos . Hable con expertos en dominios. A menudo, los objetivos son muy poco claros. A menudo tiene más cosas para probar que luego puede implementar.
- Integración de datos, selección, limpieza y preprocesamiento . Esta es a menudo la parte que consume más tiempo. Es importante tener datos de alta calidad. Cuantos más datos tenga, más apestará porque los datos están sucios. Basura dentro basura fuera.
- Modelos de aprendizaje . La parte divertida Esta parte es muy madura. Las herramientas son generales.
- Interpretación de resultados . A veces no importa cómo funciona el modelo, siempre que entregue resultados. Otros dominios requieren que el modelo sea comprensible. Serás desafiado por expertos humanos.
- Consolidar y desplegar el conocimiento descubierto . La mayoría de los proyectos que tienen éxito en el laboratorio no se utilizan en la práctica. Es muy difícil conseguir algo usado.
Bucle final
¡Gracias!
