La mayoría de los algoritmos de ML funcionan modificando variables .
Un problema supervisado típico tiene un conjunto de entradas y (generalmente) una única salida.
Matemáticamente, los datos se pueden resumir en la forma: F (Entradas) = Salida, pero no sabemos qué es F y, de hecho, puede que no haya una F que describa los datos, ya que puede tener dos entradas idénticas que conducen a diferentes salidas.
- Entrevista Street puzzle: ¿Pregunta de hormigas en la sección de matemáticas?
- ¿Cuáles son los principales algoritmos en visión artificial?
- ¿Cómo puede el paralelismo mejorar el algoritmo de fuerza bruta?
- ¿Cuál es la diferencia entre la altura y la profundidad de un árbol?
- Cómo explicar el algoritmo 'Tamiz de campo numérico' a un programador con antecedentes matemáticos limitados
Todo lo que ML intenta hacer es crear una función F ‘que imite a F lo más cerca posible.
Como ejemplo, imagine un conjunto de datos que tiene una entrada (edad) y una salida (salario). Podemos intentar aplicar una regresión lineal en los datos, que es un modelo que crea una función en la forma:
y = Mx + b
¿Parecer familiar? Es la ecuación para una línea donde M es pendiente y b es donde la línea intercepta el eje Y. Ahora todo lo que hará este algoritmo de ML es enchufar x e y para cada punto de datos varias veces y ajustar M y b hasta obtener una línea de datos que se ajuste mejor. Si los datos no son lineales, entonces terminarás con malos resultados. Por eso es muy importante elegir su modelo e hiperparámetros correctamente