Def aburrido: (Desplácese un poco hacia abajo para ver los gráficos)
El proceso de entrenamiento de un modelo de ML implica proporcionar un algoritmo de ML (es decir, el algoritmo de aprendizaje ) con datos de entrenamiento para aprender. El término modelo ML se refiere al artefacto modelo creado por el proceso de capacitación.
Los datos de entrenamiento deben contener la respuesta correcta, que se conoce como un objetivo o atributo de destino . El algoritmo de aprendizaje encuentra patrones en los datos de entrenamiento que asignan los atributos de datos de entrada al objetivo (la respuesta que desea predecir), y genera un modelo ML que captura estos patrones.
- ¿Qué tipo de soporte de hardware se necesita para que funcione una memoria virtual paginada?
- ¿Cuáles son algunas formas en que el aprendizaje automático puede devastar nuestra sociedad?
- ¿Cuál es la forma más fácil de crear un motor de búsqueda eficiente?
- Como científico de datos, ¿usa más R o Python o es más o menos lo mismo?
- ¿Por qué elegir la estructura de datos incorrecta hace que un programa sea ineficiente?
Puede usar el modelo ML para obtener predicciones sobre nuevos datos para los que no conoce el objetivo.
Los modelos de aprendizaje automático son
Un proceso en el que envía su entrada y obtiene una respuesta.
En este caso, envías las características de ese cachorro a los modelos que realiza su propio análisis, como obtener su cara, color, cualquier cosa que pueda ser útil para reconocer qué es esta criatura para el sistema.
Sus tipos de modelos son así:
Modelo de clasificación binaria
Los modelos de ML para problemas de clasificación binaria predicen un resultado binario (una de dos clases posibles). Para entrenar modelos de clasificación binaria, Amazon ML utiliza el algoritmo de aprendizaje estándar de la industria conocido como regresión logística.
Ejemplos de problemas de clasificación binaria
- “¿Es este correo no deseado o no?”
- “¿El cliente comprará este producto?”
- “¿Es este producto un libro o un animal de granja?”
- “¿Esta reseña fue escrita por un cliente o un robot?”
Modelo de clasificación multiclase
Los modelos ML para problemas de clasificación multiclase le permiten generar predicciones para múltiples clases (predecir uno de más de dos resultados). Para entrenar modelos multiclase, Amazon ML utiliza el algoritmo de aprendizaje estándar de la industria conocido como regresión logística multinomial.
Ejemplos de problemas multiclase
- “¿Es este producto un libro, película o ropa?”
- “¿Es esta película una comedia romántica, un documental o un thriller?”
- “¿Qué categoría de productos es más interesante para este cliente?”
Modelo de regresión
Los modelos de ML para problemas de regresión predicen un valor numérico. Para los modelos de regresión de entrenamiento, Amazon ML utiliza el algoritmo de aprendizaje estándar de la industria conocido como regresión lineal.
Ejemplos de problemas de regresión
- “¿Cuál será la temperatura en Seattle mañana?”
- “Para este producto, ¿cuántas unidades se venderán?”
- “¿Por qué precio se venderá esta casa?”