De muchas maneras posibles.
Por lo general, queremos seleccionar el mejor modelo que explique los datos que observamos. A veces, esto puede ser una tarea trivial cuando visualiza los datos y ve la relación obvia entre los parámetros, como una correlación lineal en un diagrama de dispersión o de lo contrario.
Sin embargo, en conjuntos de datos complejos, donde la estructura está más latente, debe explorar las complejas relaciones y buscar un modelo que se ajuste bien a la observación y se generalice a lo no observado. Esto es tedioso a mano y, por lo tanto, se desarrollan muchos algoritmos informáticos para aprender los parámetros del modelo de los datos de manera sistemática y eficiente. Esto es lo que llamamos “aprendizaje automático”.
- ¿Cuál es la mejor manera de aprender a usar LDA (asignación de dirichlet latente) con Python?
- ¿Qué es mejor: un tema fundamental de doctorado de ML o uno aplicado?
- Me encanta codificar. '¿Hay alguna comunidad en la que pueda participar en pequeños proyectos para poder conectarme a ellos de forma remota y aprender?
- ¿Qué recursos de tutoría están disponibles para que un ingeniero aprenda Machine Learning en Quora?
- ¿Es útil para un científico de datos conocer métodos ágiles como Scrum?
Entonces, cada vez que use los términos como agrupación, regresión, clasificación, análisis de componentes principales, etc., eso significa que ya ha entrado en el territorio de ML.
Es posible que haya preguntado algunos ejemplos concretos en transcriptómica, bueno, estos podrían darle algunas ideas:
- agrupando las transcripciones o algunas condiciones experimentales basadas en los niveles de expresión, actividad en diferentes condiciones, etc.
- Definición de modelos gráficos probabilísticos para generar relaciones causales
- Incluso puede usar los enfoques de modelado de temas desarrollados en el procesamiento del lenguaje natural, como encontrar los grupos funcionales (“temas”) y sus transcripciones de miembros (“palabras”).
- Modelos ocultos de Markov para modelar los estados de cromatina a lo largo del cromosoma (indudablemente relacionado con la transcripción)
- Algoritmo de proyección aleatoria para detectar los motivos reguladores.
etc.
Creo que las posibilidades que pueden hacer los enfoques de ML son ilimitadas.
