Bueno, los algoritmos de ML son diferentes de los algoritmos tradicionales. Los algoritmos tradicionales tienen pasos claros que seguir Dada una entrada, la salida siempre es correcta y generalmente está determinada de manera única. Por ejemplo, la aplicación del algoritmo de Kruskal a un gráfico ponderado conectado devolverá el árbol de expansión mínimo (MST). El algoritmo siempre devuelve el MST correcto y en su mayoría único. Los algoritmos tradicionales en realidad encajan con esos problemas que ya hemos sabido resolver y programamos explícitamente la computadora para resolverlos.
En contraste, los algoritmos de ML abordan problemas sin pasos claros hacia una solución. Por ejemplo, si desea reconocer el dígito escrito a mano, digamos, 2. Puede haber tremendas instancias diferentes de 2 escritas por personas y es casi imposible describir la diferencia entre un 2 y un no-2 en la computadora ya que Todavía no tenemos claro cómo reconocemos un 2 en nuestro cerebro. Entonces vienen los algoritmos de ML. En los algoritmos de ML, solo recopilamos una gran cantidad de instancias de 2 (ejemplos positivos) y no 2 (ejemplos positivos) escritos por personas. El conjunto de datos se denomina datos de entrenamiento y se utiliza para “entrenar” a la computadora para que presente un criterio concreto para distinguir entre 2 y no 2 al permitirle ver muchas instancias de 2 y no 2. y los algoritmos de ML son solo para ayudarlos a llegar a ese criterio. Tenga en cuenta que ya no programamos explícitamente la computadora para reconocer un 2, sino que dejamos que surja de los datos utilizando un algoritmo ML. Ese es posiblemente el núcleo de ML. Con un buen algoritmo de ML, el criterio puede lograr una alta precisión para distinguir entre 2 y no 2. Sin embargo, la salida del algoritmo generalmente varía con la configuración de los parámetros, los datos de entrenamiento y cuánto tiempo se entrena la computadora (los algoritmos ML generalmente implican un gran número de iteraciones).
Bueno, en realidad no es trivial comprender los algoritmos de ML si no profundiza en ellos durante algún tiempo. Para aprender algunos conceptos básicos sobre los algoritmos de ML, recomiendo el famoso curso Coursera: Machine Learning que Andrew Ng enseñó en Page en coursera.org.
¿Qué es el algoritmo de aprendizaje automático?
Related Content
¿Cómo debo comenzar mi preparación para el GATE 2018 en mecánica desde hoy sin entrenamiento?
¿Mi computadora puede ejecutar Subnautica?
¿Cuáles son algunos buenos ejemplos de problemas computacionales que naturalmente caen en NPSPACE?
¿Cuáles son las puertas lógicas más comunes en las computadoras?
El aprendizaje automático es la forma de hacer que las computadoras aprendan a realizar tareas complejas cuyos procesos no pueden ser descritos fácilmente por humanos, o incluso tareas que no sabemos cómo lograr.
Puedes leer mi respuesta completa aquí: la respuesta de Cristóbal Esteban a ¿Qué es el aprendizaje automático en términos simples?
Un algoritmo que enseña a la máquina.
En general, se supone en todas las aplicaciones de aprendizaje automático que hay un patrón subyacente en los datos. Tal vez los datos sean grandes o de alta dimensión, por lo tanto, no es posible encontrar el patrón manualmente, como si quisiéramos predecir la lluvia. O tal vez queremos automatizar algo, como los autos sin conductor.
A veces, junto con los datos, tenemos una verdad básica: verdadero / falso, etiqueta de clase, valor o etiquetas. Esto es aprendizaje supervisado. Porque podemos informar a la máquina dónde está cometiendo un error y entrenarla para reducir este error.
Si hay una etiqueta de clase, es un problema de clasificación: puede ser binario (etiqueta verdadera / falsa), multiclase (clase 1 – K) o multilabel (etiquetas múltiples). La clasificación binaria es si una crítica de película es positiva o negativa. Ejemplo de multiclase recibiría algunas fotos de frutas, descubriendo cuál es manzana, plátano y naranja. Multilabel es donde cada dato tiene múltiples etiquetas. Por ejemplo, es posible que desee etiquetar cada video en Youtube con el nombre del cargador, el país de origen, el trailer de música / película / otros, etc.
Si en lugar de una etiqueta, tiene un valor, entonces es un problema de regresión . Decir patrón de lluvia o precios de acciones.
Cuando no hay una verdad fundamental, esperamos que la máquina descubra algún patrón inherente en los datos. Por ejemplo, podríamos desear agrupar documentos de acuerdo con el tema. Alternativamente, podríamos hacer un análisis de componentes principales para conocer los descriptores importantes de los datos. Estos son algoritmos de aprendizaje no supervisados .
También tenemos aprendizaje semi-supervisado. Por ejemplo, marque algunos documentos como deporte, política, negocios, entretenimiento, etc. y agrupe el resto. La clase mayoritaria en cada grupo puede usarse como la etiqueta del grupo.
El aprendizaje por refuerzo es otra bestia por completo. Digamos que queremos un auto sin conductor. Aprende ciertas cosas como conducir en la calle aprendiendo a detectar los bordes de la calle. Pero si comete un error, un conductor humano o algún conocimiento de dicho dominio le dice que tome alguna acción alternativa. Esto es recordado y aprendido.
Entonces, los algoritmos de aprendizaje automático cubren un área grande, cada uno de los cuales es un hoyo profundo.
Los algoritmos de Machine Learning son un poco diferentes a los algoritmos normales. Esta publicación debería ayudarlo a comprender esto un poco más: ¿Qué es el aprendizaje automático? – [correo electrónico protegido] – Medio
More Interesting
¿Cuáles son algunos ejemplos de fallas bizantinas en sistemas distribuidos?
¿Qué es un disco en los sistemas informáticos?
¿Cómo funciona una aplicación de traducción de idiomas?
¿Cuál es la diferencia entre la memoria GDDR y DDR?
¿Por qué usar la plataforma DNN para el desarrollo web?
¿Cuáles son las unidades de medida más comunes en informática y qué miden?
¿Qué se entiende por administración remota del servidor, herramientas de monitoreo?
¿Cuánto tiempo llevas trabajando en aprendizaje automático / inteligencia artificial?
