De una manera más simple, el aprendizaje automático no es más que enseñarle a su máquina o algoritmo lo que está bien y lo que está mal (aprendizaje supervisado) o predecir algunos resultados en función de una recopilación de datos. Machine Learning no es más que una ecuación matemática con variables y constantes, cuyos valores de variables se calculan de forma iterativa.
Hay dos procesos involucrados:
- Entrenando tu algoritmo
- Pruebas
Cubriré estos temas en mis párrafos a continuación.
- ¿Cómo calificaría un buen algoritmo, buenos datos, buena ingeniería de características en términos de efectividad para el aprendizaje automático?
- ¿Cuál es una buena fuente para aprender la optimización convexa?
- ¿Cómo se puede modelar la interacción Radar y Jammer a través del aprendizaje automático?
- Dado que los modelos pueden ser entrenados en datos sintéticos, ¿podemos usar el Entrenamiento Adversario para hacer que las imágenes de prueba sean más sintéticas?
- ¿Cuáles son algunos algoritmos de corrección ortográfica que usan los motores de búsqueda? Por ejemplo, cuando utilicé Google para buscar "imágenes de Google", me preguntó: "¿Quiso decir: imágenes de Google?".
Cómo aprende la máquina:
Hay dos tipos principales de algoritmo de aprendizaje en ML:
- Aprendizaje supervisado: en este algoritmo, hacemos que nuestro algoritmo aprenda y prediga el resultado que realmente queremos obtener o sabemos de antemano cuál será el resultado. Por ejemplo, supongamos que queremos que nuestro algoritmo prediga humano, así que aquí sabemos cuál es mi salida, es decir, humano, por lo que entrenamos nuestro algoritmo con muchos datos humanos. El entrenamiento del algoritmo significa que el algoritmo se alimentará con una gran cantidad de datos humanos una y otra vez, donde intenta extraer características del cuerpo humano y aprender o crear vectores de características de formas humanas (Características: bordes, color, etc.). Cualquiera que sea la salida producida por el algoritmo, siempre se compara con la entrada, y la salida es una función de pérdida. El valor de esta función debe ser mínimo para que cualquier algoritmo produzca la salida correcta.
- Aprendizaje sin supervisión: en este tipo de algoritmo, no sabemos cuál será el resultado. Solo alimentamos nuestro algoritmo con muchos datos y, en base al algoritmo de datos de entrada, tratamos de hacer el grupo de datos similares.
Para obtener más detalles y una mejor comprensión, consulte las conferencias de Andrew Ng de Coursera.
Espero que ayude.
