¿Cómo aprenden los algoritmos de aprendizaje automático de los datos?

Mi respuesta se centra principalmente en el aprendizaje supervisado.

Los datos de entrenamiento que tenemos pueden tener múltiples características (X0, X1, …… Xm). Las características son diversas condiciones o factores de los que depende nuestro resultado. Por ejemplo, para decidir el costo de una casa, varias características pueden ser el tamaño, la ubicación, el interior, etc.
Lo primero que hacemos es trazar los datos para que podamos comprenderlos mejor.
El objetivo principal es derivar una función lineal o no lineal (dependiendo de los datos dados) que nos dará una respuesta de armario cuando se ingresa cierta entrada.

Entonces, ¿cómo derivamos la función?
Ya tenemos los datos de capacitación que contienen características (X) y salidas (y, considérelo el precio de las casas en el ejemplo que di arriba). Ahora necesitamos encontrar ciertos parámetros que minimizarán la diferencia entre el valor real y el valor que hemos encontrado (función de costo). La función de costo se puede derivar mediante regresión logística, regresión lineal, etc.

Ahora el álgebra lineal es útil aquí porque podemos considerar los datos como matrices y vectores (matriz de columnas). Existen varios algoritmos, como el descenso de gradiente, que nos ayudan a encontrar los parámetros más adecuados y verificamos si son perfectos al poner sus valores en la función Costo. Queremos obtener el valor de la función Costo lo más mínimo posible.

La función que queremos derivar se llama hipótesis.

H (x) = Q0X0 + Q1X1 ……. + QmXm (Xo = 1) donde Q es un vector de parámetros y el número de filas en Q es igual al número de características. Esta es una hipótesis lineal.

Desde el punto de vista probabilístico y estadístico, los datos tienen algo en común, o decimos que hay algún patrón especial en los datos, los algoritmos de aprendizaje automático son los algoritmos que pueden aprender, o en general para adaptarse a la distribución de probabilidad de dicho patrón datos.

En general, suponemos que se conoce la forma de la distribución, la llamamos ‘modelo’, el resto es encontrar un buen parámetro que haga que el modelo se ajuste mejor a los datos de entrenamiento.

Desde mi punto de vista, la mayoría de los algoritmos de Machine Learning aprenden ajustando algunos parámetros para que se ajusten a los datos históricos, la gente piensa que si un modelo （funciona） se adapta bien a los datos históricos, ciertamente se adaptará bien a los datos futuros.