Los algoritmos de aprendizaje automático se pueden dividir en 3 grandes categorías: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje de refuerzo.
El aprendizaje supervisado es útil en los casos en que una propiedad ( etiqueta ) está disponible para un determinado conjunto de datos (conjunto de capacitación ), pero falta y debe predecirse para otras instancias.
El aprendizaje no supervisado es útil en los casos en que el desafío es descubrir relaciones implícitas en un conjunto de datos sin etiquetar (los elementos no se asignan previamente).
- Tengo 4 años de experiencia en TI. Estoy planeando cambiar a BIG Data y Hadoop. ¿Cuáles son los pros y los contras que debo tener en cuenta?
- ¿Qué es el algoritmo de aprendizaje automático?
- ¿Se puede almacenar la conciencia humana en una computadora de verdad? Si es así, ¿cuánto tiempo podría tomar desde ahora para lograrlo?
- ¿Para qué sirve un bus de expansión en la arquitectura de bus?
- Cómo insertar, actualizar y eliminar valores en filas con restricciones de clave externa en bases de datos relacionales
El aprendizaje de refuerzo se encuentra entre estos dos extremos: hay alguna forma de retroalimentación disponible para cada paso o acción predictiva, pero no hay una etiqueta precisa o mensaje de error.
Aprendizaje supervisado:-
1. Árboles de decisión : un árbol de decisión es una herramienta de apoyo a la decisión que utiliza un gráfico o modelo de decisiones en forma de árbol y sus posibles consecuencias, incluidos los resultados de eventos fortuitos, los costos de recursos y la utilidad.
2. Clasificación ingenua de Bayes : los clasificadores ingenuos de Bayes son una familia de clasificadores probabilísticos simples basados en la aplicación del teorema de Bayes con fuertes supuestos de independencia (ingenuos) entre las características.
Algunos ejemplos del mundo real son:
- Para marcar un correo electrónico como spam o no spam
- Clasificar un artículo de noticias sobre tecnología, política o deportes.
- ¿Verifica un texto que expresa emociones positivas o negativas?
- Utilizado para el software de reconocimiento facial.
3. Regresión de mínimos cuadrados ordinarios : si conoce estadísticas, probablemente haya oído hablar de regresión lineal antes. Mínimos cuadrados es un método para realizar regresión lineal. Puede pensar en la regresión lineal como la tarea de ajustar una línea recta a través de un conjunto de puntos. Hay varias estrategias posibles para hacer esto, y la estrategia de “mínimos cuadrados ordinarios” es así: puede dibujar una línea y luego, para cada uno de los puntos de datos, medir la distancia vertical entre el punto y la línea, y sumarlos. ; la línea ajustada sería aquella donde esta suma de distancias es lo más pequeña posible.
En general, las regresiones se pueden usar en aplicaciones del mundo real como:
- Puntuacion de credito
- Medir las tasas de éxito de las campañas de marketing.
- Predecir los ingresos de un determinado producto.
- ¿Habrá un terremoto en un día en particular?
5. Máquinas de vectores de soporte : SVM es un algoritmo de clasificación binario. Dado un conjunto de puntos de 2 tipos en lugar de N dimensiones, SVM genera un hiperplano dimensional (N – 1) para separar esos puntos en 2 grupos. Digamos que tiene algunos puntos de 2 tipos en un documento que son linealmente separables. SVM encontrará una línea recta que separa esos puntos en 2 tipos y está situada lo más lejos posible de todos esos puntos.
Lee mas…