Cómo identificar tareas / problemas de aprendizaje automático

En el aprendizaje automático para identificar las tareas, puede hacer una distinción entre modelos predictivos y descriptivos.

1- Un modelo predictivo intenta predecir un valor X usando otros valores en el conjunto de datos. Por ejemplo, intenta predecir si

a- Un solicitante incumplirá con un préstamo

b- Una persona tiene cierta enfermedad

c- Un correo electrónico es spam

d- Una transacción con tarjeta de crédito es sospechosa o fraudulenta

Como estos modelos reciben instrucciones claras sobre lo que necesitan aprender y cómo deben aprenderlo, el proceso de capacitación de un modelo predictivo se conoce como aprendizaje supervisado.

2- En cambio, un modelo descriptivo intenta beneficiarse de la información obtenida al resumir datos de formas novedosas e interesantes. Más específicamente detectar o reconocer un patrón particular. Esos modelos se usan con bastante frecuencia para la minería de datos. Aprenden de manera no supervisada.

Por ejemplo, la tarea de modelado descriptivo, que también se llama descubrimiento de patrones, se usa para identificar asociaciones útiles en los datos de compra transaccional. El problema también se llama análisis de la cesta de la compra o MBA. Esta técnica de minería de datos es utilizada por los grandes minoristas para identificar artículos que con frecuencia se compran juntos. Esos comunicadores pueden usar esta información para refinar las tácticas de marketing. Por ejemplo, haga ofertas especiales en productos que se pueden vender juntos.

Cualquier cosa que se responda mejor con el uso de datos es un problema de aprendizaje automático. Esto puede ser tan simple como mover las respuestas de Quora en el feed en función del número de votos a favor (o algo así). Nadie programó explícitamente un pedido, sino que construyeron un mecanismo de votos positivos y dejaron que el mecanizado decidiera en función de la entrada del usuario. Esto combina el abastecimiento de croud con un aprendizaje automático muy simple. Quora también emplea algoritmos de aprendizaje automático mucho más complejos

Piense en lo que se puede hacer en ML con las técnicas disponibles.
Si tuviera tiempo, pensaría en mejores filtros antispam que aprendan el patrón general de los mensajes de spam.
También un filtro de voz para esas molestas llamadas de telemercadeo. Intente reconocer su propio nombre completo, ya que muchos de ellos lo usan como una apertura, por ejemplo, ¿es así o no?

Cualquier problema que se base en detectar patrones.

Técnicas como las redes neuronales son muy generales, por lo tanto, muchos problemas se prestan a esta técnica si el problema se puede construir como entradas a una red de capas de variables que luego alimentan una capa de salida. El reconocimiento de patrones en general se ajusta a este enfoque. Eso solo es muy amplio.

Diría que cualquier problema que no pueda describirse fácilmente con suficiente detalle para implementarlo con un algoritmo simple está listo para el aprendizaje automático. Una clásica es reconocer objetos en una escena. O haciendo análisis de series temporales de datos de mercado. O definir una estrategia general para navegar por un laberinto arbitrario.