Puedo decirlo de esta manera: si un experto humano con suficiente tiempo puede responder una determinada pregunta mirando los datos, puede aplicar el aprendizaje automático aquí . Entonces, si el problema contiene dos partes principales:
1) Datos, utilizados para describir una observación particular del problema
2) Medición cuantitativa de la calidad de la solución dada
Entonces se puede resolver usando ML.
Puede ser útil observar los problemas típicos de ML:
1) Encontrar un patrón oculto en una gran cantidad de observaciones: este puede ser un problema extremadamente difícil para, por ejemplo, los métodos numéricos de aproximación, pero los árboles de decisión potenciados lo hacen bien.
Ejemplos: calificación crediticia, predicción de precios de activos
2) Clasificación de nuevas observaciones: algunos algoritmos aprenden a distinguir un tipo de otro, lo que podría ser una gran cantidad de código extraño si elige algoritmos clásicos
Ejemplos: visión por computadora
3) Encontrar grupos no obvios en los datos. Digamos, si supone que algún proceso puede proporcionar resultados, que se pueden clasificar en varios (y no sabe cuántos) grupos, es un caso.
Ejemplos: clasificación previa de solicitudes de búsqueda, generación de características
También puede encontrar algunos ejemplos reales aquí: Problemas prácticos de aprendizaje automático
- ¿Cuándo sería posible que los algoritmos de aprendizaje por refuerzo (RL) pudieran aprender ingeniería de software a través de MOOC (cursos en línea abiertos masivos)?
- ¿Cómo juegan los conceptos de POO (en Python) un papel crucial en la resolución de problemas de aprendizaje automático?
- ¿Cómo es útil el aprendizaje automático en la industria?
- ¿Cuáles son las posibilidades de la inteligencia artificial?
- ¿El aprendizaje de refuerzo se hará grande?