¿Qué hace la diferencia entre un algoritmo normal y un algoritmo de aprendizaje automático?

Un algoritmo de ML es un algoritmo destinado a ser utilizado en ML.

Cuando utiliza términos como “enseñar” una máquina, y tener una máquina “aprender”, ya ha pasado de las definiciones precisas al lenguaje aspiracional.

Pero como una respuesta súper corta a la pregunta que quiere decir: un algoritmo típico usa código y datos para predecir la respuesta correcta para una pregunta, un algoritmo de ML se enfoca en cambiar ese código y / o datos de una manera principalmente automatizada para mejorar predicciones

Gracias Amir por la A2A

El algoritmo regular produce una salida sobre la base de los pasos descritos en el algoritmo.

Por ejemplo: para saber si un número es impar o par, se definen pasos que dicen que si el módulo 2 de cualquier número es 0, de lo contrario es par.

El algoritmo de ML predice una salida en función del aprendizaje a través de la entrada que se le proporciona. Este aprendizaje a través de la entrada se llama proceso de capacitación.

Por ejemplo: para saber si una persona va a desarrollar diabetes, los datos sobre la ingesta de azúcar, los hábitos alimenticios, el estilo de vida diario, la duración del entrenamiento, etc. de pocas personas diabéticas se introducen en el algoritmo ML. Sobre la base de estos datos, después de completar el proceso de capacitación, el algoritmo predice si otra persona va a desarrollar diabetes o no.

Los algoritmos de aprendizaje automático son una clase de algoritmos informáticos relacionados con la estimación newtoniana para determinar la raíz cuadrada de un número y la regresión lineal en estadística. Básicamente, todos los algoritmos de aprendizaje automático encuentran los mejores coeficientes de una ecuación no lineal calculando cuán incorrecta es la ecuación y luego corrigiendo los coeficientes para que sea menos incorrecta. En los algoritmos contemporáneos, generalmente se necesita una gran cantidad de ejemplos para determinar qué tan lejos está la ecuación de la ecuación deseada. Es por eso que “big data” es un gran problema en este momento. Cuantas más muestras haya, más correcta será la ecuación.

Entonces, ¿por qué son tan importantes? En la escuela secundaria, es posible que haya aprendido a resolver ecuaciones bidimensionales ( y = m x + b). En la escuela secundaria o la universidad, es posible que haya resuelto ecuaciones de orden superior, como los sistemas de ecuaciones simultáneas que tienen 3 o más dimensiones. Los algoritmos de aprendizaje automático generalmente resuelven los coeficientes de cientos o miles o incluso decenas de miles de dimensiones.

Digamos que su maestro de escuela le enseña tablas aritméticas de hasta 9. Ahora el maestro no le enseña tablas de hasta 99, sino que le muestra cómo multiplicar dos números mayores que 9.… Ese es un algoritmo para la multiplicación aritmética. .

Permítanos decir que su profesor universitario le enseña a dibujar una línea en una tabla de puntos de observación xy. Empiezas con un proceso manual. Pero gradualmente aprendes a calcular la mejor línea. Este es un algoritmo de aprendizaje automático supervisado.

Los algoritmos que no son de ML están destinados a tareas no relacionadas con las predicciones. Los algoritmos de ML están destinados a tareas relacionadas con predicciones.

Aprendizaje automático

Proporcione los datos del algoritmo para aprender y ajusta los parámetros para explicar los datos. Luego puede usar este conjunto de parámetros para explicar / predecir nuevos datos.

Algoritmo ordinario

Proporcione el algoritmo de entrada y producirá resultados basados ​​en las reglas y parámetros que usted mismo ha codificado.