Los métodos de aprendizaje automático se pueden dividir en dos subtemas principales: aprendizaje supervisado y no supervisado .
Aprendizaje supervisado
En el aprendizaje supervisado, se nos proporciona un conjunto de datos y ya sabemos cómo debería ser nuestra salida correcta, teniendo la idea de que existe una relación entre la entrada y la salida.
Los problemas de aprendizaje supervisados se clasifican en problemas de ” regresión ” y ” clasificación “. En un problema de regresión , estamos tratando de predecir resultados dentro de una salida continua , lo que significa que estamos tratando de asignar variables de entrada a alguna función continua . En un problema de clasificación , estamos tratando de predecir resultados en una salida discreta . En otras palabras, estamos tratando de asignar variables de entrada en categorías discretas .
- ¿Puede un robot pasar una prueba de Turing 'inversa'? ¿Por qué? ¿A qué proporción de éxito?
- ¿Qué arquitecturas de redes neuronales requieren la menor cantidad de datos de entrenamiento?
- ¿Qué es el aprendizaje de refuerzo recurrente?
- ¿Qué papel juega la epistemología en la inteligencia artificial?
- ¿Qué es una tubería en el aprendizaje automático?
Ejemplo :
Dada la información sobre el tamaño de las casas en el mercado inmobiliario, intente predecir su precio. El precio en función del tamaño es una salida continua , por lo que este es un problema de regresión.
Podríamos convertir este ejemplo en un problema de clasificación al hacer nuestra producción sobre si la casa “se vende por más o menos que el precio de venta”. Aquí estamos clasificando las casas según el precio en dos categorías discretas .
Aprendizaje sin supervisión
El aprendizaje no supervisado, por otro lado, nos permite abordar problemas con poca o ninguna idea de cómo deberían ser nuestros resultados. Podemos derivar la estructura de datos donde no necesariamente conocemos el efecto de las variables.
Podemos derivar esta estructura agrupando los datos en función de las relaciones entre las variables en los datos.
Con el aprendizaje no supervisado no hay comentarios basados en los resultados de la predicción, es decir, no hay un maestro para corregirlo. No se trata solo de agrupar. Por ejemplo, la memoria asociativa es aprendizaje no supervisado.
Ejemplo :
Agrupación : tome una colección de 1000 ensayos escritos sobre la economía de los EE. UU., Y encuentre una forma de agrupar automáticamente estos ensayos en un pequeño número que de alguna manera sea similar o esté relacionado por diferentes variables, como la frecuencia de palabras, la longitud de las oraciones, el recuento de páginas, etc. en.
Asociativo : supongamos que un médico con años de experiencia forma asociaciones en su mente entre las características del paciente y las enfermedades que tienen. Si aparece un nuevo paciente, según las características de este paciente, tales como síntomas, historial médico familiar, atributos físicos, perspectiva mental, etc., el médico asocia posibles enfermedades o enfermedades basadas en lo que el médico ha visto antes con pacientes similares. Esto no es lo mismo que el razonamiento basado en reglas como en los sistemas expertos. En este caso, nos gustaría estimar una función de mapeo desde las características del paciente hasta las enfermedades.
Fuente: curso de aprendizaje automático de Andrew Ng en Coursera (también CS229 en Stanford)
