¿Qué es el aprendizaje automático?

¿Qué es el aprendizaje de máquinas?

El aprendizaje automático es un método de análisis de datos que automatiza la construcción de modelos analíticos. Mediante el uso de algoritmos que aprenden de manera iterativa de los datos, el aprendizaje automático permite a las computadoras encontrar información oculta sin tener que programar explícitamente dónde buscar. La inteligencia artificial te va a robar el trabajo

EVOLUCIÓN DEL APRENDIZAJE DE MÁQUINAS

Debido a las nuevas tecnologías informáticas, el aprendizaje automático de hoy no es como el aprendizaje automático del pasado. Nació del reconocimiento de patrones y la teoría de que las computadoras pueden aprender sin ser programadas para realizar tareas específicas; Los investigadores interesados ​​en la inteligencia artificial querían ver si las computadoras podían aprender de los datos. El aspecto iterativo del aprendizaje automático es importante porque a medida que los modelos están expuestos a nuevos datos, pueden adaptarse de forma independiente. Aprenden de cálculos anteriores para producir decisiones y resultados confiables y repetibles. Es una ciencia que no es nueva, pero que está ganando un nuevo impulso.

Si bien muchos algoritmos de aprendizaje automático han existido durante mucho tiempo, la capacidad de aplicar automáticamente cálculos matemáticos complejos a grandes datos, una y otra vez, cada vez más rápido, es un desarrollo reciente.

¿El auto de Google muy publicitado y autónomo? La esencia del aprendizaje automático es uno de los ejemplos ampliamente publicitados de aplicaciones de aprendizaje automático.

¿POR QUÉ ES IMPORTANTE EL APRENDIZAJE DE LA MÁQUINA?

El creciente interés en el aprendizaje automático se debe a los mismos factores, como el aumento de los volúmenes y la variedad de datos disponibles, el procesamiento computacional que es más barato y más potente, y el almacenamiento de datos asequible se ha vuelto más popular que nunca.

Todo esto significa que es posible producir rápida y automáticamente modelos que puedan analizar datos más grandes y complejos y ofrecer resultados más rápidos y precisos, incluso a gran escala. Y al construir modelos precisos, una organización tiene una mejor oportunidad de identificar oportunidades rentables, o evitar riesgos desconocidos.

¿QUÉ SE REQUIERE PARA CREAR BUENOS SISTEMAS DE APRENDIZAJE DE MÁQUINAS?

• Capacidades de preparación de datos.
• Algoritmos – básicos y avanzados
• Automatización y procesos iterativos.
• Escalabilidad
• Modelado de conjunto

¿Quién lo está usando?

La mayoría de las industrias que trabajan con grandes cantidades de datos han reconocido el valor de la tecnología de aprendizaje automático. Al obtener información de estos datos, a menudo en tiempo real, las organizaciones pueden trabajar de manera más eficiente u obtener una ventaja sobre sus competidores.

10 maneras en que la inteligencia artificial puede transformar la educación

SERVICIOS FINANCIEROS

Los bancos y otras empresas de la industria financiera utilizan la tecnología de aprendizaje automático para dos propósitos clave: identificar información importante en los datos y prevenir el fraude. Los conocimientos pueden identificar oportunidades de inversión o ayudar a los inversores a saber cuándo negociar. La minería de datos también puede identificar clientes con perfiles de alto riesgo, o usar la vigilancia cibernética para identificar señales de advertencia de fraude.

GOBIERNO

Las agencias gubernamentales como la seguridad pública y las empresas de servicios públicos tienen una necesidad particular de aprendizaje automático, ya que tienen múltiples fuentes de datos que pueden extraerse para obtener información. Analizar los datos del sensor, por ejemplo, identifica formas de aumentar la eficiencia y ahorrar dinero. El aprendizaje automático también puede ayudar a detectar el fraude y minimizar el robo de identidad. ¿Por qué la inteligencia artificial controlará su hogar en la próxima década?

CUIDADO DE LA SALUD

El aprendizaje automático es una tendencia de rápido crecimiento en la industria del cuidado de la salud, gracias al advenimiento de dispositivos y sensores portátiles que pueden usar datos para evaluar la salud de un paciente en tiempo real. La tecnología también puede ayudar a los expertos médicos a analizar datos para identificar tendencias o señales de alerta que pueden conducir a mejores diagnósticos y tratamientos. ¿Cómo puede automatizar su negocio con Inteligencia Artificial?

MARKETING Y VENTAS

Los sitios web que recomiendan artículos que podrían gustarle en base a compras anteriores están utilizando el aprendizaje automático para analizar su historial de compras y promocionar otros artículos que le interesarían. Esta capacidad de capturar datos, analizarlos y usarlos para personalizar una experiencia de compra (o implementar una campaña de marketing) es el futuro del comercio minorista.

¿Cómo puede la Inteligencia Artificial automatizar la generación de leads?

PETRÓLEO Y GAS

Encontrar nuevas fuentes de energía. Analizando minerales en el suelo. Predicción de falla del sensor de refinería. Racionalización de la distribución de petróleo para hacerlo más eficiente y rentable. El número de casos de uso de aprendizaje automático para esta industria es enorme, y sigue expandiéndose.

TRANSPORTE

Analizar los datos para identificar patrones y tendencias es clave para la industria del transporte, que se basa en hacer que las rutas sean más eficientes y predecir posibles problemas para aumentar la rentabilidad. El análisis de datos y los aspectos de modelado del aprendizaje automático son herramientas importantes para las empresas de entrega, el transporte público y otras organizaciones de transporte.

Básicamente, un algoritmo de aprendizaje automático recibe un “conjunto de datos de enseñanza” y luego se le pide que use esos datos para responder una pregunta. Por ejemplo, puede proporcionarle a la computadora un conjunto didáctico de fotografías, algunas de las cuales dicen: “esto es un gato” y otras dicen: “Esto no es un gato”. Luego, podría mostrarle a la computadora una serie de fotos nuevas y comenzaría a identificar qué fotos eran de gatos.

El aprendizaje automático continúa agregando a su conjunto de enseñanza. Cada foto que identifica, correcta o incorrectamente, se agrega al conjunto de enseñanza, y el programa efectivamente se vuelve “más inteligente” y mejor para completar su tarea con el tiempo. Es, en efecto, aprender. El auge de las máquinas: todo lo que necesita saber sobre los asistentes digitales virtuales

El aprendizaje automático es uno de los mejores campos de la informática. El aprendizaje automático es un tipo de inteligencia artificial (IA) que proporciona a las computadoras la capacidad de aprender sin ser programadas explícitamente. El aprendizaje automático se centra en el desarrollo de programas informáticos que pueden aprender a crecer y cambiar cuando se exponen a nuevos datos. El aprendizaje automático estudia algoritmos informáticos para aprender a hacer cosas. Podríamos, por ejemplo, estar interesados ​​en aprender a completar una tarea, hacer predicciones precisas o comportarnos de manera inteligente. El aprendizaje que se realiza siempre se basa en algún tipo de observaciones o datos, como ejemplos (el caso más común en este curso), experiencia directa o instrucción. Entonces, en general, el aprendizaje automático se trata de aprender a mejorar en el futuro en función de lo que se experimentó en el pasado. El énfasis del aprendizaje automático está en los métodos automáticos. En otras palabras, el objetivo es diseñar algoritmos de aprendizaje que aprendan automáticamente sin intervención o asistencia humana. El paradigma del aprendizaje automático puede verse como “programación por ejemplo”. A menudo tenemos una tarea específica en mente, como el filtrado de spam. Pero en lugar de programar la computadora para resolver la tarea directamente, en el aprendizaje automático, buscamos métodos mediante los cuales la computadora presente su propio programa basado en los ejemplos que proporcionamos. El aprendizaje automático es una subárea central de la inteligencia artificial. Es muy poco probable que podamos construir cualquier tipo de sistema inteligente capaz de cualquiera de las instalaciones que asociamos con la inteligencia, como el lenguaje o la visión, sin utilizar el aprendizaje para llegar allí. De lo contrario, estas tareas son simplemente demasiado difíciles de resolver. Además, no consideraríamos un sistema verdaderamente inteligente si fuera incapaz de aprender, ya que el aprendizaje es el núcleo de la inteligencia. Aunque es una subárea de IA, el aprendizaje automático también se cruza ampliamente con otros campos, especialmente estadísticas, pero también matemáticas, física, informática teórica y más.

Debido a las nuevas tecnologías informáticas, el aprendizaje automático de hoy no es como el aprendizaje automático del pasado. Nació del reconocimiento de patrones y la teoría de que las computadoras pueden aprender sin ser programadas para realizar tareas específicas; Los investigadores interesados ​​en la inteligencia artificial querían ver si las computadoras podían aprender de los datos. El aspecto iterativo del aprendizaje automático es importante porque a medida que los modelos están expuestos a nuevos datos, pueden adaptarse de forma independiente. Aprenden de cálculos anteriores para producir decisiones y resultados confiables y repetibles. Es una ciencia que no es nueva, pero que está ganando un nuevo impulso.

Si bien muchos algoritmos de aprendizaje automático han existido durante mucho tiempo, la capacidad de aplicar automáticamente cálculos matemáticos complejos a grandes datos, una y otra vez, cada vez más rápido, es un desarrollo reciente. Aquí hay algunos ejemplos ampliamente publicitados de aplicaciones de aprendizaje automático con las que puede estar familiarizado:

• ¿El auto de Google muy publicitado y autónomo? La esencia del aprendizaje automático.
• ¿Ofertas de recomendación en línea como las de Amazon y Netflix? Aplicaciones de aprendizaje automático para la vida cotidiana.
• ¿Sabes lo que dicen los clientes sobre ti en Twitter? Aprendizaje automático combinado con creación de reglas lingüísticas.
• Detección de fraude? Uno de los usos más obvios e importantes en nuestro mundo de hoy.

La mayoría de las industrias que trabajan con grandes cantidades de datos han reconocido el valor de la tecnología de aprendizaje automático. Al obtener información de estos datos, a menudo en tiempo real, las organizaciones pueden trabajar de manera más eficiente u obtener una ventaja sobre sus competidores.

Servicios financieros

Los bancos y otras empresas de la industria financiera utilizan la tecnología de aprendizaje automático para dos propósitos clave: identificar información importante en los datos y prevenir el fraude. Los conocimientos pueden identificar oportunidades de inversión o ayudar a los inversores a saber cuándo negociar. La minería de datos también puede identificar a clientes con perfiles de alto riesgo, o usar la vigilancia cibernética para identificar señales de advertencia de fraude.

Gobierno

Las agencias gubernamentales como la seguridad pública y las empresas de servicios públicos tienen una necesidad particular de aprendizaje automático, ya que tienen múltiples fuentes de datos que pueden extraerse para obtener información. Analizar los datos del sensor, por ejemplo, identifica formas de aumentar la eficiencia y ahorrar dinero. El aprendizaje automático también puede ayudar a detectar el fraude y minimizar el robo de identidad.

Cuidado de la salud

El aprendizaje automático es una tendencia de rápido crecimiento en la industria del cuidado de la salud, gracias al advenimiento de dispositivos y sensores portátiles que pueden usar datos para evaluar la salud de un paciente en tiempo real. La tecnología también puede ayudar a los expertos médicos a analizar datos para identificar tendencias o señales de alerta que pueden conducir a mejores diagnósticos y tratamientos.

Marketing y ventas

Los sitios web que recomiendan artículos que podrían gustarle en base a compras anteriores están utilizando el aprendizaje automático para analizar su historial de compras y promocionar otros artículos que le interesarían. Esta capacidad de capturar datos, analizarlos y usarlos para personalizar una experiencia de compra (o implementar una campaña de marketing) es el futuro del comercio minorista.

Petróleo y gas

Encontrar nuevas fuentes de energía. Analizando minerales en el suelo. Predicción de falla del sensor de refinería. Racionalización de la distribución de petróleo para hacerlo más eficiente y rentable. El número de casos de uso de aprendizaje automático para esta industria es enorme, y sigue expandiéndose.

Transporte

Analizar los datos para identificar patrones y tendencias es clave para la industria del transporte, que se basa en hacer que las rutas sean más eficientes y predecir posibles problemas para aumentar la rentabilidad. El análisis de datos y los aspectos de modelado del aprendizaje automático son herramientas importantes para las empresas de entrega, el transporte público y otras organizaciones de transporte.

¿Cuáles son algunos métodos populares de aprendizaje automático?

Dos de los métodos de aprendizaje automático más ampliamente adoptados son el aprendizaje supervisado y el aprendizaje no supervisado , pero también hay otros métodos de aprendizaje automático. Aquí hay una descripción general de los tipos más populares.

Los algoritmos de aprendizaje supervisados se entrenan utilizando ejemplos etiquetados, como una entrada donde se conoce la salida deseada. Por ejemplo, un equipo podría tener puntos de datos etiquetados como “F” (fallido) o “R” (carreras). El algoritmo de aprendizaje recibe un conjunto de entradas junto con las salidas correctas correspondientes, y el algoritmo aprende comparando su salida real con las salidas correctas para encontrar errores. Luego modifica el modelo en consecuencia. A través de métodos como clasificación, regresión, predicción y aumento de gradiente, el aprendizaje supervisado utiliza patrones para predecir los valores de la etiqueta en datos adicionales sin etiquetar. El aprendizaje supervisado se usa comúnmente en aplicaciones donde los datos históricos predicen eventos futuros probables. Por ejemplo, puede anticipar cuándo es probable que las transacciones con tarjeta de crédito sean fraudulentas o qué cliente de seguro es probable que presente un reclamo.

El aprendizaje no supervisado se utiliza contra datos que no tienen etiquetas históricas. El sistema no recibe la “respuesta correcta”. El algoritmo debe averiguar qué se muestra. El objetivo es explorar los datos y encontrar alguna estructura dentro. El aprendizaje no supervisado funciona bien en datos transaccionales. Por ejemplo, puede identificar segmentos de clientes con atributos similares que luego pueden ser tratados de manera similar en campañas de marketing. O puede encontrar los atributos principales que separan los segmentos de clientes entre sí. Las técnicas populares incluyen mapas autoorganizados, mapeo del vecino más cercano, agrupamiento de k-medias y descomposición de valores singulares. Estos algoritmos también se utilizan para segmentar temas de texto, recomendar elementos e identificar datos atípicos.

El aprendizaje semisupervisado se usa para las mismas aplicaciones que el aprendizaje supervisado. Pero utiliza tanto datos etiquetados como no etiquetados para la capacitación, generalmente una pequeña cantidad de datos etiquetados con una gran cantidad de datos no etiquetados (porque los datos no etiquetados son menos costosos y requieren menos esfuerzo para adquirirlos). Este tipo de aprendizaje se puede utilizar con métodos como la clasificación, la regresión y la predicción. El aprendizaje semisupervisado es útil cuando el costo asociado con el etiquetado es demasiado alto para permitir un proceso de capacitación totalmente etiquetado. Los primeros ejemplos de esto incluyen identificar la cara de una persona en una cámara web.

El aprendizaje de refuerzo se usa a menudo para robótica, juegos y navegación. Con el aprendizaje por refuerzo, el algoritmo descubre a través de prueba y error qué acciones producen las mayores recompensas. Este tipo de aprendizaje tiene tres componentes principales: el agente (el alumno o el tomador de decisiones), el entorno (todo con lo que el agente interactúa) y las acciones (lo que el agente puede hacer). El objetivo es que el agente elija acciones que maximicen la recompensa esperada durante un período de tiempo determinado. El agente alcanzará la meta mucho más rápido siguiendo una buena política. Entonces, el objetivo en el aprendizaje por refuerzo es aprender la mejor política.

¡Espero que esto ayude!

Machine Learning es un subconjunto de inteligencia artificial . Se centra principalmente en el diseño de sistemas, lo que les permite aprender y hacer predicciones basadas en cierta experiencia, que son los datos en el caso de las máquinas.

Machine Learning permite que las computadoras actúen y tomen decisiones basadas en datos en lugar de ser programadas explícitamente para llevar a cabo una determinada tarea. Estos programas o algoritmos están diseñados para aprender y mejorar con el tiempo cuando se exponen a nuevos datos.

Hoy el aprendizaje automático es el núcleo de muchos avances tecnológicos futuristas en nuestro mundo. Las personas de todo el mundo están realmente interesadas en aprender sobre Qué es el aprendizaje automático. Mire a su alrededor, encontrará varios ejemplos o implementaciones de aprendizaje automático, como los automóviles autónomos de Tesla, Siri de Apple, Sophia AI Robot y muchos más.

Como saben, estamos viviendo en el mundo de los humanos y las máquinas. Los humanos han estado evolucionando y aprendiendo de su experiencia pasada desde hace millones de años. Por otro lado, la era de las máquinas y los robots acaba de comenzar. O puede decir que ahora vivimos en la era primitiva de las máquinas, el futuro de la máquina es enorme y está más allá de nuestro alcance de la imaginación.

En el mundo actual, estas máquinas o los robots son como si tuvieran que ser programados antes de seguir las instrucciones. Pero, ¿qué pasaría si la máquina comenzara a aprender por su propia cuenta, sintiera emociones como nosotros, trabaje como nosotros, haga las cosas con mayor precisión y mucha más perfección que nosotros? Estas cosas suenan fascinantes, ¿verdad? Bueno, esto es solo el comienzo de la nueva era y aquí es donde el aprendizaje automático entra en escena.

¿Cómo funciona el aprendizaje automático?

El algoritmo de aprendizaje automático se entrena utilizando un conjunto de datos de entrenamiento para crear un modelo. Cuando se introducen nuevos datos de entrada en el algoritmo de ML, se realiza una predicción en función del modelo.

Se evalúa la precisión de la predicción y, si la precisión es aceptable, se implementa el algoritmo ML. Si la precisión no es aceptable, el algoritmo ML se entrena una y otra vez con un conjunto de datos de entrenamiento aumentado.

Este es solo un ejemplo de muy alto nivel, ya que hay muchos factores y otros pasos involucrados.

Tipos de máquinas inclinadas

El aprendizaje automático se subcategoriza en tres tipos:

• Aprendizaje supervisado – ¡Entrenarme!
• Aprendizaje sin supervisión: soy autosuficiente en el aprendizaje
• Aprendizaje de refuerzo: mi vida ¡Mis reglas! (Golpe y prueba)

¿Qué es el aprendizaje supervisado?

Es un proceso de un algoritmo que aprende del conjunto de datos de entrenamiento. Puedes pensarlo como un maestro que supervisa el proceso de aprendizaje . Donde conoces las respuestas correctas pero el algoritmo sigue prediciendo iterativamente los datos de entrenamiento y es corregido por el maestro. Este aprendizaje se detiene cuando el algoritmo alcanza un nivel aceptable de rendimiento.

¿Qué es el aprendizaje no supervisado?

En este proceso de aprendizaje, nadie supervisa el proceso, no hay respuestas correctas y no hay maestro . Los algoritmos se dejan solos para descubrir y presentar la estructura interesante en los datos.

En el aprendizaje no supervisado, las instancias de datos de un conjunto de datos de entrenamiento no tienen una salida esperada asociada a ellas. En cambio, el algoritmo detecta patrones basados ​​en las características originales de los datos de entrada. Un ejemplo de aprendizaje no supervisado es la agrupación. En esto, las instancias de datos similares se agrupan para identificar grupos de datos.

¿Qué es el aprendizaje por refuerzo?

El aprendizaje de refuerzo puede considerarse como un método exitoso y de prueba. Se otorga un punto de Recompensa o Penalización por cada acción. Si la máquina elige una opción correcta, gana el punto de recompensa y viceversa.

“Tu FUTURO se decide por lo que haces HOY, no MAÑANA”

¿Te entusiasma aprender sobre el entrenamiento de Machine Learning con Python y explorar el increíble mundo del Machine Learning? No te preocupes Nosotros en Edureka, hemos diseñado un curso de Python orientado a la industria con Capacitación y Certificación en Ciencia de Datos para usted con acceso de por vida . El curso en Edureka se actualiza regularmente y está lleno de casos de uso de la vida real que puede aplicar en la industria. No se apure, visite nuestra página de destino, blogs, videos de Youtube, investigue, y si está realmente satisfecho con el contenido y quiere convertirse en un experto en ciencia de datos, haga clic en el botón y reserve su asiento en el Python en vivo en línea con la sesión de capacitación y certificación de ciencia de datos en Edureka, y aprenda de profesionales con más de 10 años de experiencia trabajando en el dominio.

Blog: ¿Qué es el aprendizaje automático? El | Tipos de aprendizaje automático | Edureka

Vídeo:

Entrenamiento de Machine Learning con Python: Curso de certificación de Python | Entrenamiento Python | Edureka

El aprendizaje automático es la intersección entre la informática teóricamente sólida y los datos prácticamente ruidosos. Esencialmente, se trata de máquinas que tienen sentido a partir de los datos de la misma manera que lo hacemos los humanos.

La premisa básica del aprendizaje automático es construir algoritmos que puedan recibir datos de entrada y utilizar análisis estadísticos para predecir un valor de salida dentro de un rango aceptable.

Los algoritmos de aprendizaje automático a menudo se clasifican como Supervisados ​​o No supervisados .

Los algoritmos supervisados requieren que los humanos proporcionen tanto la entrada como la salida deseada, además de proporcionar comentarios sobre la precisión de las predicciones durante el entrenamiento. Una vez que se completa la capacitación, el algoritmo aplicará lo aprendido a los nuevos datos.

Los algoritmos no supervisados no necesitan ser entrenados con los datos de resultados deseados. En cambio, utilizan un enfoque iterativo llamado aprendizaje profundo para revisar los datos y llegar a conclusiones. Los algoritmos de aprendizaje no supervisados ​​se utilizan para tareas de procesamiento más complejas que los sistemas de aprendizaje supervisados.

Basta de cosas aburridas, aquí hay algunas aplicaciones de aprendizaje automático en el mundo real.

Machine Learning en nuestra vida diaria

Google Maps (Maps) puede analizar la velocidad de movimiento del tráfico en cualquier momento dado, Maps puede incorporar más fácilmente incidentes de tráfico reportados por el usuario como construcción y accidentes. El acceso a grandes cantidades de datos que se alimentan a sus algoritmos patentados significa que Maps puede reducir los viajes diarios sugiriendo las rutas más rápidas hacia y desde el trabajo.

Paseos con aplicaciones como Ola y Uber

Utilizan Ml para determinar el precio de su viaje, tiempo de espera para su automóvil reservado.

Banca / Finanzas personales

Uso de LD en la prevención del fraude y la toma de decisiones de crédito.

Las compras en línea

Sistema de recomendación

Verá recomendaciones para los productos que le interesan como “los clientes que vieron este artículo también vieron” y “los clientes que compraron este artículo también compraron”, así como a través de recomendaciones personalizadas en la página de inicio, la parte inferior de las páginas del artículo y por correo electrónico. . Amazon utiliza redes neuronales artificiales para generar estas recomendaciones de productos.

Asistentes personales inteligentes

Asistente de Google, Alexa y Microsoft Cortana.

El aprendizaje automático es una aplicación de inteligencia artificial (IA) que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente. El aprendizaje automático se centra en el desarrollo de programas informáticos que pueden acceder a los datos y utilizarlos para aprender por sí mismos.

El proceso de aprendizaje comienza con observaciones o datos, como ejemplos, experiencia directa o instrucción, para buscar patrones en los datos y tomar mejores decisiones en el futuro en función de los ejemplos que proporcionamos. El objetivo principal es permitir que las computadoras aprendan automáticamente sin intervención o asistencia humana y ajustar las acciones en consecuencia.

Algunos métodos de aprendizaje automático

Los algoritmos de aprendizaje automático a menudo se clasifican como supervisados ​​o no supervisados.

• Los algoritmos de aprendizaje automático supervisados pueden aplicar lo aprendido en el pasado a nuevos datos utilizando ejemplos etiquetados para predecir eventos futuros. A partir del análisis de un conjunto de datos de entrenamiento conocido, el algoritmo de aprendizaje produce una función inferida para hacer predicciones sobre los valores de salida. El sistema puede proporcionar objetivos para cualquier entrada nueva después de una capacitación suficiente. El algoritmo de aprendizaje también puede comparar su salida con la salida correcta e intencionada y encontrar errores para modificar el modelo en consecuencia.
• Por el contrario, los algoritmos de aprendizaje automático no supervisados se utilizan cuando la información utilizada para entrenar no está clasificada ni etiquetada. El aprendizaje no supervisado estudia cómo los sistemas pueden inferir una función para describir una estructura oculta a partir de datos no etiquetados. El sistema no encuentra la salida correcta, pero explora los datos y puede extraer inferencias de conjuntos de datos para describir estructuras ocultas a partir de datos no etiquetados.
• Los algoritmos de aprendizaje automático semi supervisados se encuentran en algún punto intermedio entre el aprendizaje supervisado y el no supervisado, ya que utilizan datos etiquetados y no etiquetados para el entrenamiento, generalmente una pequeña cantidad de datos etiquetados y una gran cantidad de datos no etiquetados. Los sistemas que utilizan este método pueden mejorar considerablemente la precisión del aprendizaje. Por lo general, el aprendizaje semi-supervisado se elige cuando los datos etiquetados adquiridos requieren recursos calificados y relevantes para capacitarlos / aprender de ellos. De lo contrario, la adquisición de datos no etiquetados generalmente no requiere recursos adicionales.
• Los algoritmos de aprendizaje automático de refuerzo son un método de aprendizaje que interactúa con su entorno mediante la producción de acciones y descubre errores o recompensas. La búsqueda de prueba y error y la recompensa retrasada son las características más relevantes del aprendizaje por refuerzo. Este método permite que las máquinas y los agentes de software determinen automáticamente el comportamiento ideal dentro de un contexto específico para maximizar su rendimiento. Se requiere una retroalimentación de recompensa simple para que el agente aprenda qué acción es la mejor; Esto se conoce como la señal de refuerzo.

El aprendizaje automático permite el análisis de cantidades masivas de datos. Si bien generalmente ofrece resultados más rápidos y precisos para identificar oportunidades rentables o riesgos peligrosos, también puede requerir tiempo y recursos adicionales para capacitarlo adecuadamente. La combinación de aprendizaje automático con IA y tecnologías cognitivas puede hacerlo aún más efectivo en el procesamiento de grandes volúmenes de información.

Leer más: Libro de Aprendizaje automático con redes neuronales

El aprendizaje automático es un tipo de inteligencia artificial (IA) que proporciona a las computadoras la capacidad de aprender sin ser programadas explícitamente.

Una definición más estricta es de Wikipedia:
El aprendizaje automático es una disciplina científica que explora la construcción y el estudio de algoritmos que pueden aprender de los datos. Dichos algoritmos operan construyendo un modelo a partir de entradas de ejemplo y usándolo para hacer predicciones o decisiones.

Algunos dominios de aplicación de Machine Learning son:
Percepción de la máquina
Visión por computadora, incluido el reconocimiento de objetos
Procesamiento natural del lenguaje
Reconocimiento de patrones sintácticos
Los motores de búsqueda
Diagnostico medico
Bioinformática
Interfaces cerebro-máquina
Quimioformática
Detectar fraudes con tarjetas de crédito
Análisis del mercado de valores.
Clasificación de secuencias de ADN
Minería de secuencia
Reconocimiento de voz y escritura
Jugando juego
Ingeniería de software
Sitios web adaptativos
Robot locomoción
Publicidad computacional
Finanzas computacionales
Vigilancia de la salud estructural
Análisis de sentimientos (o minería de opinión)
Computación afectiva
Recuperación de información
Sistemas de recomendación
Mejoramiento

[adoptado de Wikipedia]

Entonces, básicamente, puede usarlo para resolver cualquiera de sus problemas que se encuentran en cualquiera de estos dominios :).

Si desea ver algunas aplicaciones realmente geniales de Machine Learning , puede consultar mi otra respuesta aquí:
La respuesta de Syed Muhammad Ali a ¿Cuáles son algunas formas creativas en las que las empresas utilizan científicos de datos y aprendizaje automático?

Si desea comenzar con Machine Learning:
La respuesta de Syed Muhammad Ali a ¿Qué cursos deben tomarse y en qué orden si uno quiere aprender el aprendizaje automático y la ciencia de datos?

El aprendizaje automático es una aplicación de inteligencia artificial (IA) que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente. El aprendizaje automático se centra en el desarrollo de programas informáticos que pueden acceder a los datos y utilizarlos para aprender por sí mismos.

El proceso de aprendizaje comienza con observaciones o datos, como ejemplos, experiencia directa o instrucción, para buscar patrones en los datos y tomar mejores decisiones en el futuro en función de los ejemplos que proporcionamos. El objetivo principal es permitir que las computadoras aprendan automáticamente sin intervención o asistencia humana y ajustar las acciones en consecuencia.

Algunos métodos de aprendizaje automático

Los algoritmos de aprendizaje automático a menudo se clasifican como supervisados ​​o no supervisados.

• Los algoritmos de aprendizaje automático supervisados pueden aplicar lo aprendido en el pasado a nuevos datos utilizando ejemplos etiquetados para predecir eventos futuros. A partir del análisis de un conjunto de datos de entrenamiento conocido, el algoritmo de aprendizaje produce una función inferida para hacer predicciones sobre los valores de salida. El sistema puede proporcionar objetivos para cualquier entrada nueva después de una capacitación suficiente. El algoritmo de aprendizaje también puede comparar su salida con la salida correcta e intencionada y encontrar errores para modificar el modelo en consecuencia.
• Por el contrario, los algoritmos de aprendizaje automático no supervisados se utilizan cuando la información utilizada para entrenar no está clasificada ni etiquetada. El aprendizaje no supervisado estudia cómo los sistemas pueden inferir una función para describir una estructura oculta a partir de datos no etiquetados. El sistema no encuentra la salida correcta, pero explora los datos y puede extraer inferencias de conjuntos de datos para describir estructuras ocultas a partir de datos no etiquetados.
• Los algoritmos de aprendizaje automático semi supervisados se encuentran en algún punto intermedio entre el aprendizaje supervisado y el no supervisado, ya que utilizan datos etiquetados y no etiquetados para el entrenamiento, generalmente una pequeña cantidad de datos etiquetados y una gran cantidad de datos no etiquetados. Los sistemas que utilizan este método pueden mejorar considerablemente la precisión del aprendizaje. Por lo general, el aprendizaje semi-supervisado se elige cuando los datos etiquetados adquiridos requieren recursos calificados y relevantes para capacitarlos / aprender de ellos. De lo contrario, la adquisición de datos no etiquetados generalmente no requiere recursos adicionales.
• Los algoritmos de aprendizaje automático de refuerzo son un método de aprendizaje que interactúa con su entorno mediante la producción de acciones y descubre errores o recompensas. La búsqueda de prueba y error y la recompensa retrasada son las características más relevantes del aprendizaje por refuerzo. Este método permite que las máquinas y los agentes de software determinen automáticamente el comportamiento ideal dentro de un contexto específico para maximizar su rendimiento. Se requieren comentarios de recompensa simples para que el agente aprenda qué acción es la mejor; Esto se conoce como la señal de refuerzo.

El aprendizaje automático permite el análisis de cantidades masivas de datos. Si bien generalmente ofrece resultados más rápidos y precisos para identificar oportunidades rentables o riesgos peligrosos, también puede requerir tiempo y recursos adicionales para capacitarlo adecuadamente. La combinación de aprendizaje automático con IA y tecnologías cognitivas puede hacerlo aún más efectivo en el procesamiento de grandes volúmenes de información.

Los mejores cursos en línea de Machine Learning: –

• Machine Learning AZ ™: Python práctico y R en ciencia de datos
• Bootcamp de ciencia de datos y aprendizaje automático con R
• Aprendizaje automático para ciencia de datos

TODO LO MEJOR…

Machine Learning nació del reconocimiento de patrones y la teoría de que las computadoras pueden aprender sin ser programadas para realizar tareas específicas; Los investigadores interesados ​​en la inteligencia artificial querían ver si las computadoras podían aprender de los datos. El aspecto iterativo del aprendizaje automático es importante porque a medida que los modelos están expuestos a nuevos datos, pueden adaptarse de forma independiente, aprender de cálculos anteriores para producir decisiones y resultados confiables y repetibles.

Machine Learning permite que las aplicaciones de software sean más precisas para predecir resultados sin ser programadas explícitamente. La premisa básica del aprendizaje automático es construir algoritmos que puedan recibir datos de entrada y utilizar análisis estadísticos para predecir un valor de salida dentro de un rango aceptable.

Los algoritmos a menudo se clasifican como supervisados ​​o no supervisados. Los algoritmos supervisados requieren que los humanos proporcionen tanto la entrada como la salida del objetivo, además de una retroalimentación sobre la precisión de las predicciones durante el entrenamiento. Durante el entrenamiento, la entrada y la salida objetivo se proporcionan a la máquina, los cálculos se realizan en los datos de entrada, el resultado se compara con la salida objetivo. Si el resultado es igual a la salida objetivo, se envía una retroalimentación positiva si el resultado se desvía del salida objetivo, se envía una retroalimentación negativa a la cual la máquina ajusta los pesos y la ganancia realiza cálculos. Este proceso se repite hasta que el resultado sea igual a la salida objetivo. Una vez que se completa la capacitación, el algoritmo aplicará lo aprendido a los nuevos datos.

Los algoritmos no supervisados no necesitan ser entrenados con los datos de resultados deseados. En cambio, utilizan un enfoque iterativo llamado aprendizaje profundo para revisar los datos y llegar a conclusiones. Los algoritmos de aprendizaje no supervisados ​​se utilizan para tareas de procesamiento más complejas que los sistemas de aprendizaje supervisados.

Los procesos involucrados en el aprendizaje automático son similares a los de la minería de datos y el modelado predictivo. Ambos requieren buscar en los datos para buscar patrones y ajustar las acciones del programa en consecuencia.

Ejemplo: las noticias de Facebook, por ejemplo, utilizan el aprendizaje automático para personalizar las noticias de cada miembro. Si un miembro deja de desplazarse con frecuencia para leer o hacer clic en “Me gusta” en las publicaciones de un amigo en particular, el servicio de noticias comenzará a mostrar más de la actividad de ese amigo anteriormente en el feed. Detrás de escena, el software simplemente está usando análisis estadístico y análisis predictivo para identificar patrones en los datos del usuario y usar esos patrones para llenar el News Feed. Si el miembro ya no se detiene para leer, dar me gusta o comentar las publicaciones de un amigo, se incluirán nuevos datos en el conjunto de datos y las Noticias se ajustarán en consecuencia.

¡El aprendizaje automático es todo en la lista!

Fuente: [1]

Está

• considerado como un subcampo de inteligencia artificial
• implica modelos de aprendizaje que permiten al programa hacer predicciones sobre los datos
• más que una simple lista de instrucciones que define claramente lo que debe hacer el algoritmo
• estrechamente vinculado a las estadísticas computacionales, que utilizan computadoras para hacer predicciones

La tercera opción aquí probablemente necesita alguna explicación. Una diferencia clave entre un algoritmo regular (algo) y un algoritmo de aprendizaje automático es el modelo de “aprendizaje” que permite que el algoritmo aprenda de los datos y tome sus propias decisiones. Esto permite que las máquinas realicen tareas que de otro modo serían imposibles de realizar. ¡Tales tareas pueden ser tan simples como reconocer la escritura humana o tan complejas como los autos sin conductor!

Por ejemplo, supongamos que se supone que un algoritmo distingue correctamente entre un rostro masculino y uno femenino de las fotos de las tarjetas de identificación.

Entrada

Un algoritmo de aprendizaje automático (ML) se entrenaría en datos de entrenamiento para ‘aprender’ a reconocer cualquier cara. Cuando un algoritmo simple no sería capaz de realizar esta tarea, un algoritmo de ML no solo sería capaz de clasificar las fotos como entrenadas, sino que aprendería continuamente de los datos de prueba y agregaría a su “aprendizaje” para ser más preciso en sus predicciones. ¡Recuerde con qué frecuencia Facebook le pide que etiquete correctamente a la persona en la imagen! ¡Entre miles de millones de usuarios, los algos ML de Facebook pueden hacer coincidir correctamente diferentes imágenes de la misma persona e identificarla!

Salida

El aprendizaje automático es uno de los enfoques más populares en Inteligencia Artificial. Uno de los aspectos clave de ML es el uso de datos nuevos / continuos para iterar y seguir aprendiendo. Hay muchas industrias clave donde ML está teniendo un gran impacto: servicios financieros, entrega, marketing y ventas, atención médica, por nombrar algunos. Se espera que en un par de décadas las tareas mecánicas y repetitivas hayan terminado. El aprendizaje automático y las mejoras en las técnicas de inteligencia artificial han hecho posible lo imposible, desde autos autónomos hasta sanadores computarizados.

Lecturas adicionales

A) Introducción al aprendizaje automático para las finanzas cuantitativas

B) Aprendizaje automático – Wikipedia

Fuente: [1]

Una introducción a la teoría del aprendizaje automático y sus aplicaciones: un tutorial visual con ejemplos

Machine Learning es un nuevo campo de tendencias en estos días y es una aplicación de inteligencia artificial. Utiliza ciertos algoritmos estadísticos para hacer que las computadoras funcionen de una manera determinada sin ser programadas explícitamente. Los algoritmos reciben un valor de entrada y predicen una salida para esto mediante el uso de ciertos métodos estadísticos. El objetivo principal del aprendizaje automático es crear máquinas inteligentes que puedan pensar y funcionar como seres humanos.

Requisitos para crear buenos sistemas de aprendizaje automático

Entonces, ¿qué se requiere para crear sistemas tan inteligentes? A continuación se detallan los requisitos para crear dichos sistemas de aprendizaje automático:

Datos : se requieren datos de entrada para predecir la salida.

Algoritmos : el aprendizaje automático depende de ciertos algoritmos estadísticos para determinar patrones de datos.

Automatización : es la capacidad de hacer que los sistemas funcionen automáticamente.

Iteración : el proceso completo es iterativo, es decir, la repetición del proceso.

Escalabilidad : la capacidad de la máquina se puede aumentar o disminuir en tamaño y escala.

Modelado : los modelos se crean según la demanda del proceso de modelado.

Métodos de aprendizaje automático

Los métodos se clasifican en ciertas categorías. Estos son:

Aprendizaje supervisado : en este método, se proporcionan entradas y salidas a la computadora junto con comentarios durante la capacitación. También se analiza la precisión de las predicciones de la computadora durante el entrenamiento. El objetivo principal de esta capacitación es hacer que las computadoras aprendan a mapear la entrada a la salida.

Aprendizaje no supervisado : en este caso, no se brinda dicha capacitación, dejando que las computadoras encuentren la salida por sí mismas. El aprendizaje no supervisado se aplica principalmente a datos transaccionales. Se utiliza en tareas más complejas. Utiliza otro enfoque de iteración conocido como aprendizaje profundo para llegar a algunas conclusiones.

Aprendizaje de refuerzo : este tipo de aprendizaje utiliza tres componentes, a saber: agente, entorno, acción. Un agente es el que percibe su entorno, un entorno es aquel con el que un agente interactúa y actúa en ese entorno. El objetivo principal en el aprendizaje por refuerzo es encontrar la mejor política posible.

Aplicaciones de aprendizaje automático

Las siguientes son algunas de las aplicaciones:

1. Servicios cognitivos
2. Servicios médicos
3. Procesamiento de lenguaje
4. Administración de Empresas
5. Reconocimiento de imagen
6. Detección de rostro
7. Videojuegos

Beneficios del aprendizaje automático

Todo depende de estos sistemas. Descubra cuáles son los beneficios de esto.

La toma de decisiones es más rápida : proporciona los mejores resultados posibles al priorizar los procesos rutinarios de toma de decisiones.

Adaptabilidad : proporciona la capacidad de adaptarse rápidamente a los nuevos entornos cambiantes. El entorno cambia rápidamente debido al hecho de que los datos se actualizan constantemente.

Innovación : utiliza algoritmos avanzados que mejoran la capacidad general de toma de decisiones. Esto ayuda a desarrollar servicios y modelos empresariales innovadores.

Insight : ayuda a comprender patrones de datos únicos y se basa en qué acciones específicas se pueden tomar.

Crecimiento empresarial : con el aprendizaje automático, el proceso empresarial general y el flujo de trabajo serán más rápidos y, por lo tanto, esto contribuiría al crecimiento y la aceleración empresarial general.

El resultado será bueno : con esto, la calidad del resultado mejorará con menores posibilidades de error.

Aprenda Machine Learning en línea:

https://www.kerneltraining.com/m …

Amazon lo usa. Target lo usa. Google lo usa. “It” es aprendizaje automático y está revolucionando la forma en que las empresas hacen negocios en todo el mundo.

El aprendizaje automático es la capacidad de los programas de computadora para analizar grandes datos, extraer información automáticamente y aprender de ellos. Con 250 millones de clientes activos y decenas de millones de productos, el aprendizaje automático de Amazon hace recomendaciones de productos precisas basadas en el comportamiento de navegación y compra del cliente casi al instante. Ningún humano podría hacer eso.

Target utiliza el aprendizaje automático para predecir los comportamientos de compra fuera de línea de los compradores. Un caso de estudio memorable destaca cómo Target sabía que una niña de secundaria estaba embarazada antes que sus padres.

Los automóviles sin conductor de Google están utilizando el aprendizaje automático para hacer que nuestras carreteras sean más seguras, y Watson de IBM está haciendo olas en el cuidado de la salud con su poder de aprendizaje automático y de computación cognitiva.

¿Su negocio es el siguiente? ¿Puede pensar en algún análisis de datos profundos o predicciones que su empresa pueda producir? ¿Qué impacto tendría en el resultado final de su negocio, o cómo podría darle una ventaja competitiva?

¿Por qué es importante el aprendizaje automático?

Los datos se generan más rápido que en cualquier otro momento de la historia. Ahora estamos en un punto donde el análisis de datos no se puede hacer manualmente debido a la cantidad de datos. Esto ha impulsado el aumento de MI: la capacidad de los programas de computadora para analizar grandes datos y extraer información automáticamente. ¡Leer más aquí!

En primer lugar, mi referencia para saber sobre Machine Learning es este Blog:

¿Qué es el aprendizaje automático? El | Tipos de aprendizaje automático | Edureka

Ahora hablemos sobre Machine Learning:

El aprendizaje automático es un tema candente hoy en día. Machine Learning es “Entrenar una máquina para realizar ciertas tareas”, pero ahora la pregunta es ¿Cómo aprender?

En primer lugar, te diré qué es el aprendizaje automático.

Machine Learning es un subconjunto de Inteligencia Artificial que proporciona a las computadoras la capacidad de aprender sin ser programadas explícitamente. En el aprendizaje automático, no tenemos que definir explícitamente todos los pasos o condiciones como cualquier otra aplicación de programación. Por el contrario, la máquina se capacita en un conjunto de datos de capacitación, lo suficientemente grande como para crear un modelo, que ayuda a la máquina a tomar decisiones basadas en su aprendizaje.

El aprendizaje automático se puede clasificar en tres partes:

• Aprendizaje supervisado
• Aprendizaje sin supervisión
• Aprendizaje reforzado

1. Aprendizaje supervisado:
   Este algoritmo consiste en una variable objetivo / resultado (o variable dependiente) que debe predecirse a partir de un conjunto dado de predictores (variables independientes). Usando este conjunto de variables, generamos una función que asigna entradas a las salidas deseadas. El proceso de capacitación continúa hasta que el modelo alcanza el nivel deseado de precisión en los datos de capacitación.
2. Aprendizaje sin supervisión:
   En este algoritmo, no tenemos ninguna variable objetivo o de resultado para predecir / estimar. Se utiliza para agrupar a la población en diferentes grupos, lo que se usa ampliamente para segmentar clientes en diferentes grupos para una intervención específica.
3. Aprendizaje reforzado:
   Usando este algoritmo, la máquina está entrenada para tomar decisiones específicas. Funciona de esta manera: la máquina está expuesta a un entorno en el que se entrena continuamente utilizando prueba y error. Esta máquina aprende de la experiencia pasada e intenta capturar el mejor conocimiento posible para tomar decisiones comerciales precisas.

Aquí está la lista de algoritmos de aprendizaje automático de uso común. Estos algoritmos se pueden aplicar a casi cualquier problema de datos:

1. Regresión lineal
2. Regresión logística
3. Árbol de decisión
4. SVM
5. Bayes ingenuos
6. kNN
7. K-medias
8. Bosque al azar
9. Algoritmos de reducción de dimensionalidad
10. Algoritmos de aumento de gradiente

• GBM
• XGBoost
• LightGBM
• CatBoost

Para más referencia:

¡Feliz aprendizaje!

En 1959, Arthur Samuel definió el aprendizaje automático como un subcampo de la informática que brinda a las “computadoras la capacidad de aprender sin ser programados explícitamente”. Ahora, se pueden usar varios paradigmas para lograr este objetivo del aprendizaje automático.

Brevemente, como se explica en el libro “El algoritmo maestro”, los siguientes son los 5 paradigmas (lo llaman tribus) que se pueden usar para hacer Machine Learning:

Crédito de la foto: 5 tribus del aprendizaje automático: preguntas y respuestas

Ejemplo de cada “Tribu”

• Simbolistas: sistemas expertos
• Conexionistas: aprendizaje profundo
• Evolutivos: Algoritmos Genéticos
• Bayesianos: modelado jerárquico bayesiano
• Analizadores: análisis de conglomerados

Además, si observa estos ejemplos, se dará cuenta de que hay una gran sangría entre estos enfoques y, a menudo, se toman prestados entre sí.

Aprendizaje automático

Introducción, descripción general de las tareas y sus aplicaciones

El aprendizaje automático es una disciplina de la ciencia de datos donde tiene la capacidad de mejorar el progreso de los datos sin el requisito de ninguna programación explícita. Machine Learning es el estudio del reconocimiento de patrones con la participación de la teoría del aprendizaje computacional en la IA. Está desarrollado para explorar el mecanismo y la construcción de los algoritmos que se utilizarán en los datos. Podemos tomar decisiones basadas en la predicción basada en datos con la ayuda de ML.

Machine Learning se ejecuta en una amplia gama de tareas informáticas donde se requiere el diseño y la programación de algoritmos amplios y potentes. Estos potentes algoritmos pueden ser filtrado por correo electrónico, detección de violaciones de datos maliciosos, visión por computadora, reconocimiento óptico de caracteres (OCR) y muchos más. Tiene un fuerte vínculo con el campo de las Matemáticas, útil en la entrega de métodos, teoría y aplicaciones en el dominio requerido. En Machine Learning tenemos un aprendizaje supervisado y no supervisado. La diferencia básica es que en el aprendizaje supervisado, las máquinas se entrenan según los conjuntos de datos de salida. En el aprendizaje no supervisado, no hay conjuntos de datos. Los datos se agrupan en diferentes clases.

En Data Analytics, ML se utiliza para crear modelos y algoritmos complejos. Estos modelos analíticos son utilizados por investigadores, científicos de datos e incluso ingenieros para tomar decisiones para su empresa, negocio y trabajo.

Tareas involucradas en el aprendizaje automático

Las tareas en ML se clasifican en dos categorías: supervisadas y no supervisadas. Vamos a entrar en un pequeño detalle aquí. La razón por la que se dividen en dos categorías se debe a su sistema de aprendizaje que puede basarse en señales o comentarios.

• Aprendizaje supervisado

En el aprendizaje supervisado, la computadora se presenta con ejemplos de entrada junto con las salidas deseadas. Aquí supervisaron las necesidades de aprendizaje para mapear la entrada y la salida. Las señales de entrada están parcialmente disponibles y están restringidas solo a retroalimentaciones especiales.

• Aprendizaje semi-supervisado

En el aprendizaje semi-supervisado, la computadora da una señal de entrenamiento incompleta con solo algunas salidas objetivo faltantes.

• Aprendizaje activo

En Active Learning, la computadora obtendrá etiquetas de capacitación para un conjunto limitado de instancias. También puede optimizar su elección de objetos para obtener las etiquetas. Estos se pueden presentar al usuario solo para etiquetarlos.

• Aprendizaje reforzado

Estos son datos de entrenamiento y se brindan como retroalimentación a las acciones del programa en el entorno dinámico como conducir cualquier vehículo, jugar cualquier juego contra el oponente, etc.

• Aprendizaje sin supervisión

En el aprendizaje no supervisado, los algoritmos de aprendizaje no reciben ningún algoritmo. Por lo tanto, el aprendizaje no supervisado se queda sin nada y tiene que encontrar su propia estructura en su entrada.

Aplicaciones involucradas en el aprendizaje automático

Si consideramos solo la salida del sistema ML, tenemos algunas otras tareas involucradas en el ML. Y estos pueden ser llevados a su aplicación. Avancemos más y comprendamos algunas de sus aplicaciones.

Solicitud de clasificación

Las entradas se dividen en dos clases donde el alumno debe producir un modelo que asignará las entradas invisibles a una o más de estas clases. Este trabajo se toma de forma supervisada. Por ejemplo, el filtrado de spam. Aquí las entradas son correo electrónico y las clases son “spam” y “no spam”

Solicitud de regresión

Este es un problema supervisado, donde las entradas son continuas y no discretas.

Aplicación de agrupamiento

Las entradas y su conjunto se dividen en grupos. Los grupos no se conocen de antemano, y es por eso que se toman de forma no supervisada.

Aplicación de estimación de densidad

Esto encuentra la distribución de entradas en algún espacio.

Aplicación de reducción de dimensionalidad

Las entradas se simplifican con la ayuda de mapeo en un espacio dimensional inferior. Por ejemplo, la lista de documentos en lenguaje humano tiene la tarea de descubrir temas similares que necesitan ser cubiertos.

El aprendizaje automático es un subcampo de la informática que evolucionó a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en inteligencia artificial. El aprendizaje automático explora la construcción y el estudio de algoritmos que pueden aprender y hacer predicciones sobre los datos.

La minería de datos (el paso de análisis del proceso ‘Descubrimiento de conocimiento y minería de datos’ o KDD), un subcampo interdisciplinario de la informática, es el proceso computacional de descubrir patrones en grandes conjuntos de datos que involucran métodos en la intersección de la inteligencia artificial, aprendizaje automático, estadísticas y sistemas de bases de datos.

En informática, un almacén de datos (DW o DWH), también conocido como almacén de datos empresariales (EDW), es un sistema utilizado para informes y análisis de datos. Los DW son depósitos centrales de datos integrados de una o más fuentes dispares. Almacenan datos actuales e históricos y se utilizan para crear informes analíticos para trabajadores del conocimiento en toda la empresa. Los ejemplos de informes pueden variar desde comparaciones y tendencias anuales y trimestrales hasta análisis detallados de ventas diarias.

A medida que los usuarios y las empresas se vuelven digitales, generan enormes cantidades de datos (también conocidos como Big Data), pero estos datos no tienen valor en sí mismos, incluso cuando se procesan a través de complejas herramientas de inteligencia empresarial, proporcionan muy poco valor. La razón es simplemente que los datos son tan grandes, complejos y de transmisión continua. Está más allá de los límites del cerebro humano hacer uso de la enorme información que proviene de esos sistemas. La otra razón es que las herramientas típicas de inteligencia empresarial son muy complejas, rígidas y solo pueden proporcionar información como informes, pero esas herramientas no pueden tomar decisiones o tomar medidas sobre los hallazgos de los informes. Y el tiempo que los humanos tardan en consumir una información comercial crítica, tomar una decisión y luego implementar acciones apropiadas es extremadamente largo en comparación con la velocidad de la nueva información que llega a las transmisiones. Aquí es donde necesitamos ayuda de las máquinas, especialmente la tecnología de aprendizaje automático. La tecnología de aprendizaje automático puede analizar grandes cantidades de datos y descubrir patrones (reglas, tendencias, predicciones) a partir de esos datos y aprender de esos patrones para tomar decisiones más inteligentes.

Todas las principales compañías de tecnología como Google, Apple, Microsoft, Amazon, IBM y muchas otras compañías han estado invirtiendo fuertemente en el aprendizaje automático. La idea es desarrollar máquinas inteligentes que tengan la capacidad de aprender de su entorno dinámicamente, interacciones y experiencias como los humanos y actuar como agentes autónomos de los seres humanos para realizar funciones específicas de trabajo o administrar todo el negocio. Las compañías como Google, Amazon y los proveedores de tarjetas de crédito han utilizado algoritmos para automatizar las operaciones y predecir el comportamiento de los usuarios durante muchos años. Sin embargo, el concepto de máquinas autónomas con la capacidad de aprender en tiempo de ejecución es un concepto relativamente nuevo. Este concepto es el siguiente nivel de progresión de la automatización empresarial para operar una empresa de forma autónoma sin intervención humana. La diferencia fundamental entre la automatización y una máquina autónoma es la capacidad de una máquina de aprender de sus experiencias y datos pasados ​​para aumentar continuamente su inteligencia en lugar de ejecutar un conjunto predefinido de código. Se han publicado muchos estudios sobre este tema de máquinas autónomas que concluyen que las máquinas pueden tomar mejores decisiones comerciales cuando están adecuadamente formadas que los humanos, lo que es más importante, las máquinas pueden tomar una decisión y tomar medidas en el momento en que se requieren las decisiones o acciones. versus cuando ya es demasiado tarde.

continúe leyendo en https://www.linkedin.com/pulse/h …

El aprendizaje automático es un campo de la informática que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente.

El nombre Aprendizaje automático fue acuñado en 1959 por Arthur Samuel. Desarrollado a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en inteligencia artificial, el aprendizaje automático explora el estudio y la construcción de algoritmos que pueden aprender y hacer predicciones sobre los datos; dichos algoritmos se superan siguiendo instrucciones estrictamente estáticas del programa al hacer predicciones o decisiones basadas en datos , mediante la construcción de un modelo a partir de entradas de muestra. El aprendizaje automático se emplea en una variedad de tareas informáticas en las que diseñar y programar algoritmos explícitos con un buen rendimiento es difícil o inviable; Las aplicaciones de ejemplo incluyen el filtrado de correo electrónico, la detección de intrusos de la red o personas maliciosas que trabajan en busca de una violación de datos, reconocimiento óptico de caracteres (OCR), aprendizaje de rango y visión por computadora.

El aprendizaje automático está estrechamente relacionado con (y a menudo se superpone con) las estadísticas computacionales, que también se centran en la predicción mediante el uso de computadoras. Tiene fuertes lazos con la optimización matemática, que ofrece métodos, teoría y dominios de aplicación en el campo. El aprendizaje automático a veces se combina con la minería de datos, donde el último subcampo se centra más en el análisis de datos exploratorios y se conoce como aprendizaje no supervisado. El aprendizaje automático también se puede supervisar sin supervisión y se puede usar para aprender y establecer perfiles de comportamiento de referencia para diversas entidades y luego se puede utilizar para encontrar anomalías significativas.

El aprendizaje automático es un campo de la informática que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente.

Arthur Samuel, pionero estadounidense en el campo de los juegos de computadora y la inteligencia artificial, acuñó el término “Aprendizaje automático” en 1959 mientras estaba en IBM. Desarrollado a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en inteligencia artificial, el aprendizaje automático explora el estudio y la construcción de algoritmos que pueden aprender y hacer predicciones sobre los datos: dichos algoritmos se superan siguiendo instrucciones estrictamente estáticas del programa al hacer predicciones o decisiones basadas en datos , mediante la construcción de un modelo a partir de entradas de muestra. El aprendizaje automático se emplea en una variedad de tareas informáticas en las que diseñar y programar algoritmos explícitos con un buen rendimiento es difícil o inviable; Las aplicaciones de ejemplo incluyen el filtrado de correo electrónico, la detección de intrusos de la red o personas maliciosas que trabajan en busca de una violación de datos, reconocimiento óptico de caracteres (OCR), aprendizaje de rango y visión por computadora.

El aprendizaje automático está estrechamente relacionado con (y a menudo se superpone con) las estadísticas computacionales, que también se centran en la predicción mediante el uso de computadoras. Tiene fuertes lazos con la optimización matemática, que ofrece métodos, teoría y dominios de aplicación en el campo. El aprendizaje automático a veces se combina con la minería de datos, donde el último subcampo se centra más en el análisis de datos exploratorios y se conoce como aprendizaje no supervisado. El aprendizaje automático también se puede supervisar sin supervisión y se puede usar para aprender y establecer perfiles de comportamiento de referencia para diversas entidades y luego se puede utilizar para encontrar anomalías significativas.

Dentro del campo del análisis de datos, el aprendizaje automático es un método utilizado para diseñar modelos y algoritmos complejos que se prestan a la predicción; en uso comercial, esto se conoce como análisis predictivo. Estos modelos analíticos permiten a los investigadores, científicos de datos, ingenieros y analistas “producir decisiones y resultados confiables y repetibles” y descubrir “ideas ocultas” mediante el aprendizaje de las relaciones históricas y las tendencias en los datos.

Según el ciclo exagerado de Gartner de 2016, el aprendizaje automático está en su punto máximo de expectativas infladas. El aprendizaje automático efectivo es difícil porque encontrar patrones es difícil y, a menudo, no hay suficientes datos de capacitación disponibles; Como resultado, los programas de aprendizaje automático a menudo no se cumplen.

El aprendizaje automático es una forma de inteligencia artificial. Las máquinas no “aprenden” como tú y yo lo hacemos. Tenemos increíbles habilidades de coincidencia de patrones que nos permiten “codificar patrones útiles”. Las máquinas no tienen en gran medida una noción de “útil”.

Pero existe una noción de retroalimentación, y de alguna manera, la idea es ligeramente similar.

Las máquinas “aprenden” cuando toman una serie de elementos de datos de entrada y, basándose en algunos criterios matemáticos, eligen correctamente un algoritmo (un tipo de patrón) para aplicar a esa entrada de modo que la salida sea aceptable para el usuario. Ser aceptado o no aceptado es importante porque esa información de retroalimentación se acumula y alimenta los criterios de selección utilizados para seleccionar el algoritmo a utilizar. Es un circuito cerrado de retroalimentación.

Seleccione el algoritmo correcto y obtenga una recompensa. Seleccione el algoritmo incorrecto, no hay recompensa para usted. Ese paso de “selección” es crítico, pero solo funciona si hay un mecanismo de recompensa. Al principio, el sistema elige al azar, pero después de un tiempo, el mecanismo de selección está “entrenado” para elegir el algoritmo más óptimo para manejar la entrada.

Lamentablemente, no conozco muchas máquinas capaces de desarrollar sus propios algoritmos. En mi opinión, ahí es donde comenzamos a romper con la “inteligencia” artificial y no solo con una buena coincidencia de patrones.