¿Para qué sirve el aprendizaje automático?

Déjame hacerlo simple!

Problema : no sabes qué es el aprendizaje automático,

Método : busca ayuda de personas con experiencia en Quora

Algoritmo : Quora

Solución : conozca la respuesta.

Resultado : si se hace la misma pregunta, puede responder con precisión.

El aprendizaje automático es igual.

Para un problema dado, los modelos de aprendizaje automático (ML) aprenden de problemas y soluciones registrados en el pasado, usan un algoritmo para aprender, entienden la solución y luego usan esta experiencia de aprendizaje para dar soluciones en el futuro.

Cualquier persona con experiencia en programación (Python o R), poco conocimiento sobre conocimientos matemáticos discretos y una comprensión más amplia de las estadísticas puede construir modelos de aprendizaje automático y pasarlo a producción (nube u otros servicios).

ML es un tema amplio, puede sonar cliché pero es cierto. Sugeriría visitar este material de aprendizaje bien estructurado sobre Kaggle. Kaggle (Your Home for Data Science) ayudaría mucho a los principiantes a quienes les gusta saltar de inmediato y ensuciarse las manos. En mi experiencia personal, es una comunidad amigable.

El Tutorial de aprendizaje automático de Simplilearn define el aprendizaje automático como

Machine Learning es una aplicación de inteligencia artificial (IA) que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente

Todo lo que ves a tu alrededor tiene aprendizaje automático. Todos hemos sido testigos de la revolución digital de la década de 1980 y la revolución de Internet de la década de 1990. Actualmente estamos en medio de la revolución del aprendizaje automático y la inteligencia artificial en este momento.

Para sumergirnos directamente en su pregunta, veamos cualquier día normal en su vida.

• Te levantas por la mañana con las cortinas automáticas y la iluminación en tu habitación controlada por IA.
• Su alarma suena según su horario en su calendario y la hora en que durmió.
• Durante toda la noche, su AC se estaba ajustando para adaptarse a la temperatura de su cuerpo.

Ahora que está activo, cada actividad que lo rodea se maneja a través del aprendizaje automático.

• Su teléfono móvil ha organizado noticias para usted en función de sus intereses. Esto utiliza algoritmos basados ​​en vecindad junto con regresión logística.
• Su calendario se organiza en función de sus eventos y también considera sus invitaciones recibidas por correo.
• Finalmente, el taxi que reservó en línea utiliza algoritmos para realizar el viaje de menor costo para la compañía.
• En base a esto, la compañía de taxis dice que Uber decide cuál de los cientos de taxis que son gratuitos debe asignarse a su viaje para que el costo sea mínimo para la compañía.

Me gustaría llamar su atención sobre nuestro video Qué es el aprendizaje automático que lo ayudará a aprender todos los conceptos básicos del aprendizaje automático en solo 20 minutos.

Si está interesado en obtener más información, consulte nuestra lista de reproducción de YouTube Machine Learning y nuestra Capacitación de certificación de Simplilearn’s Machine Learning .

¡Espero que mi respuesta ayude!

El aprendizaje automático es un subcampo de inteligencia artificial o inteligencia artificial.

El aprendizaje automático proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente.

La sección resaltada arriba es una de las facetas clave.

En la programación tradicional podemos crear un código para buscar un número.

En el aprendizaje automático, creamos modelos que aprenden de los datos para encontrar el número por su cuenta.

Hay dos tipos principales de aprendizaje automático.

Supervisado : esta es la mayoría del modelado del mundo real. Tomamos algo que se asemeja a una hoja de cálculo de Excel bien formateada y apuntamos un modelo o algoritmo de aprendizaje automático. Calcula la probabilidad de un resultado.

Sin supervisión : esto es como C-3PO. No necesita ser alimentado con cuchara los datos. Puede mirar sus propios datos y sacar sus propias inferencias de esos datos.

Casi todo el aprendizaje automático aplicado es supervisado. Aplicado significa modelos construidos en el mundo real y se utilizan en datos nuevos. Datos que el modelo no ha visto antes.

Existen diferentes tipos de modelos. Un modelo famoso es el motor de recomendación de NetFlix. Se utiliza para recomendarle películas cuando busca algo que le interesa.

Tiene una precisión del mundo real de alrededor del 75%. Eso significa que de todas las películas que tú y yo vemos en Netflix, el motor te recomienda el 75% de esas películas.

Si está interesado en lo básico, tome este curso gratuito sobre aprendizaje automático. Está dirigido a ingenieros de datos, pero la naturaleza gráfica ayudará a cualquiera a comprender los conceptos básicos.

Una introducción al aprendizaje automático para ingenieros de datos

https: //www.business2community.c …

El aprendizaje automático es esencialmente programar una computadora o dispositivo para realizar ciertas tareas. Usando tres componentes como el modelo (que le dice a la máquina qué analizar), los Parámetros (que representan los datos que se evalúan) y el alumno, que es la máquina, puede usarlo para su ventaja, especialmente en los negocios.

Las empresas pueden beneficiarse enormemente del aprendizaje automático porque ayuda a aligerar la carga de trabajo de las personas de tareas como el procesamiento de datos y similares, que pueden ser muy tediosas. En última instancia, el aprendizaje automático se hace para que un dispositivo realice tareas que están más allá de la capacidad de los seres humanos.

El aprendizaje automático ya es evidente de muchas maneras en el mundo de hoy. Un buen ejemplo son las sugerencias de búsqueda personalizadas de Google. Debido a esto, sus búsquedas se hacen más fáciles a través de su sistema predictivo que completa la búsqueda por usted, lo que le brinda un tiempo mucho más fácil. Esto también ayuda a aquellos en la industria de la optimización de motores de búsqueda (SEO) a encontrar las palabras clave más efectivas para usar para su contenido.

Otras formas en que Machine Learning está en efecto es a través de aplicaciones como Shazam y Sound Hound, donde los títulos de las canciones se detectan simplemente colocando el teléfono al lado de un altavoz. La aplicación esencialmente escucha la canción para darle ese título por el que ha estado tratando de acumular su cerebro.

https: //www.business2community.c …

Es para resolver problemas que se resuelven mejor cuando la máquina puede aprender con el tiempo y adaptarse. Esto incluye predecir estrategias de mercado, sistemas de visión por computadora para predecir lo que el automóvil está mirando, sistemas de PNL como Siri para responder preguntas y aprender sobre el usuario, y reconocimiento facial como lo que usa el iPhone 10 para dar cuenta del cambio de rostro a través del tiempo.

Esa es una versión bastante simplificada ya que Machine Learning puede hacer mucho más, pero da una buena idea al menos para el estado actual de las tecnologías de Machine Learning.

¿Nunca supiste qué es el aprendizaje automático?

Déjame explicarte con el ejemplo más simple.
La computadora es una máquina de volcado, necesita conjuntos de instrucciones para realizar cualquier tarea. El aprendizaje es simplemente la adquisición de conocimientos o habilidades a través del estudio, la experiencia o la enseñanza. Ahora tome un ejemplo de niño pequeño, imagine que está jugando y toca un objeto caliente (como fuego, agua hirviendo). ¿Cuál será su reacción instantánea? Probablemente él / ella apartará su mano y aprenderá que tocar esas cosas puede lastimarte. Aquí, en este escenario, este niño ha aprendido a través de la experiencia y el modelado de este tipo de cosas en la computadora para hacer que esa máquina de volcado inteligente se conozca como aprendizaje automático.

Simplemente el aprendizaje automático es el procesamiento de hacer que la máquina aprenda. Para entrenar la máquina usamos toneladas de datos. Básicamente, el aprendizaje automático es de tres tipos y son aprendizaje supervisado, aprendizaje no supervisado y aprendizaje de refuerzo. En el escenario anterior explico sobre el aprendizaje no supervisado.

Como definición,

El aprendizaje automático es la ciencia de hacer que las computadoras actúen sin ser programadas explícitamente. En la última década, el aprendizaje automático nos ha brindado autos autónomos, reconocimiento de voz práctico, búsqueda efectiva en la web y una comprensión enormemente mejorada del genoma humano. El aprendizaje automático es tan generalizado hoy que probablemente lo use docenas de veces al día sin saberlo. Muchos investigadores también piensan que es la mejor manera de avanzar hacia la IA a nivel humano

¿Qué puede hacer el aprendizaje automático?

Puede encontrar algunas aplicaciones interesantes de aprendizaje automático en este artículo de Forbes. También encontrará algunas aplicaciones comunes de aprendizaje automático en

• OCR (reconocimiento óptico de caracteres)
• Reconocimiento de voz y procesamiento del lenguaje natural
• Detección de rostros y reconocimiento de rostros
• búsqueda Web
• Predicción del tiempo

y etc.

Vista rápida

El proceso de predicción utilizado en el aprendizaje automático es bastante similar a la definición de una función llamada función de hipótesis. Dado un conjunto de datos, primero tenemos que averiguar cuáles son las características del conjunto de datos. Es decir, tenemos que encontrar las variables en el conjunto de datos que se utilizarán como variables en la función de hipótesis. Luego tenemos que averiguar cuál es la función. Esto es algo similar a encontrar a , byc en una ecuación como z = ax + by + c , donde x e y son mis variables. Puede haber dos tipos de salidas en una función de este tipo.

1. Salida continua: cualquier valor entre un rango dado
2. Salida discreta: solo se puede generar un conjunto predefinido de valores

En este caso usamos dos tipos de métodos para determinar la salida. Clasificación y regresión.

Clasificación

Esta es la metodología relacionada con la determinación de una salida discreta. Por ejemplo, dado un conjunto de imágenes de individuos, determinar si la persona en una imagen dada es un hombre o una mujer cae en esta categoría. Cuando se usa la clasificación, predecimos la probabilidad de que una entrada dada esté en cada uno de los posibles valores de salida. Luego tomamos la clase de salida con la probabilidad máxima como la clase de la nueva entrada.

Regresión

Este método puede generar cualquier valor en un rango dado después de la predicción. Por ejemplo, dado un conjunto de datos relacionados con el alquiler de casas, su tamaño (en pies cuadrados), el número de habitaciones en cada casa y algo más, puede crear un modelo para predecir el alquiler de una casa nueva que puede predecir el alquiler de una casa nueva cuando se dan los valores de esas propiedades. Si tomamos Regresión lineal donde solo los atributos se toman como entidades sin combinarlos, hacemos algo como dibujar una línea recta o una parábola a través de esos puntos de datos de la mejor manera.

Lea más en Introducción al aprendizaje automático

El aprendizaje automático es un campo de inteligencia artificial que a menudo se usa para predecir o clasificar datos. Hay dos dominios principales: aprendizaje supervisado y no supervisado .

• El aprendizaje no supervisado se usa a menudo para encontrar patrones en los datos, para facilitar el procesamiento o para agrupar muestras similares. Esto se puede usar para detectar patrones en el comportamiento de alguien o para detectar ubicaciones interesantes en un mapa dada la posición de cada tweet enviado en el área. En este dominio, no le da ninguna instrucción al modelo que no sea “buscar similitudes en los datos”.

• El aprendizaje supervisado requiere la capacitación de un modelo, que luego puede usarse para hacer predicciones o clasificar nuevos datos.

• Por ejemplo, puede entrenar un modo dando el tamaño y la edad de alguien como entrada y su peso como salida . Y si proporciona suficientes datos, el modelo podrá darle predicciones del peso de alguien cuyo peso es desconocido dado su tamaño y edad.
• También puede usarlo para clasificar datos. Por ejemplo, puede entrenar a un modelo para que reconozca un rostro humano en una imagen, mostrando cientos de ejemplos y contraejemplos.

El aprendizaje automático brinda a las computadoras la capacidad de aprender de los datos.

Un ejemplo sencillo podría ser un clasificador de spam. Si queremos clasificar los correos electrónicos en dos categorías (spam y no spam), podríamos usar el aprendizaje automático. En los términos más simples que puedo describir, un programa de aprendizaje automático puede capacitarse en datos que sabemos que son spam / no spam. Puede ver una variedad de diferentes tipos de datos en los correos electrónicos. Estos datos pueden incluir palabras en el cuerpo del correo electrónico, encabezados de correo electrónico y cualquier otra cosa que pueda ser útil para clasificar el correo electrónico.

Una vez que el algoritmo aprende cómo se ve el spam, debería poder clasificar correctamente los nuevos correos electrónicos como spam / no spam. Sin embargo, esto no siempre funciona correctamente. A veces nuestro algoritmo de aprendizaje puede sobreajustar o subestimar los datos. No puede clasificar correctamente los datos nuevos porque se ajustan demasiado bien al conjunto de entrenamiento o no lo suficientemente bien.

Muchos problemas pueden resolverse mediante el aprendizaje automático. Algunas aplicaciones posibles incluyen visión por computadora (como reconocer objetos en imágenes), ayudar en el diagnóstico médico y conducir automóviles.

Si está interesado en aprender más sobre el aprendizaje automático, le sugiero que comience con este curso de aprendizaje automático de Andrew Ng.

Para mí, el aprendizaje automático es un campo en ciencias de la computación, un grupo de varios métodos alucinantes que ayudan a resolver una variedad de problemas (que se pueden resolver con tales métodos). Es interesante para mí, ya que siento que siempre habrá un alcance en cada dominio para usar el aprendizaje automático para encontrar soluciones o mejorar las existentes. Para una explicación detallada, tiene otras respuestas a su pregunta.