¿Qué significa reconocimiento de patrones?
En TI, el reconocimiento de patrones es una rama del aprendizaje automático que enfatiza el reconocimiento de patrones de datos o regularidades de datos en un escenario dado. Es una subdivisión del aprendizaje automático y no debe confundirse con el estudio real del aprendizaje automático. El reconocimiento de patrones puede ser “supervisado”, donde se pueden encontrar patrones previamente conocidos en un dato dado, o “sin supervisión”, donde se descubren patrones completamente nuevos.
El objetivo detrás de los algoritmos de reconocimiento de patrones es proporcionar una respuesta razonable para todos los datos posibles y clasificar los datos de entrada en objetos o clases en función de ciertas características. Se realiza una coincidencia “más probable” entre varias muestras de datos y sus características clave se corresponden y se reconocen.
- Cómo implementar un abandono en redes neuronales profundas
- ¿Es posible usar IA para obtener nuevas ideas en física teórica y / o matemática?
- Al entrenar un modelo de Deep Learning, ¿importa la secuencia o el orden de las muestras en los datos de entrenamiento?
- ¿Qué es la generalización en el aprendizaje automático?
- ¿Qué productos de IA existen hoy para optimizar y agilizar los procesos comerciales?
El reconocimiento de patrones y la coincidencia de patrones a veces se confunden como lo mismo cuando, de hecho, no lo son. Mientras que el reconocimiento de patrones busca un patrón similar o más probable en un dato dado, la coincidencia de patrones busca exactamente el mismo patrón. La coincidencia de patrones no se considera parte del aprendizaje automático, aunque en algunos casos conduce a resultados similares al reconocimiento de patrones.
El aprendizaje automático es un tipo de inteligencia artificial (IA) que permite que las aplicaciones de software sean más precisas para predecir resultados sin ser programadas explícitamente. La premisa básica del aprendizaje automático es construir algoritmos que puedan recibir datos de entrada y utilizar análisis estadísticos para predecir un valor de salida dentro de un rango aceptable.
Los algoritmos de aprendizaje automático a menudo se clasifican como supervisados o no supervisados. Los algoritmos supervisados requieren que los humanos proporcionen tanto la entrada como la salida deseada, además de proporcionar comentarios sobre la precisión de las predicciones durante el entrenamiento. Una vez que se completa la capacitación, el algoritmo aplicará lo aprendido a los nuevos datos. Los algoritmos no supervisados no necesitan ser entrenados con los datos de resultados deseados. En cambio, utilizan un enfoque iterativo llamado aprendizaje profundo para revisar los datos y llegar a conclusiones. Los algoritmos de aprendizaje no supervisados se utilizan para tareas de procesamiento más complejas que los sistemas de aprendizaje supervisados.
Los procesos involucrados en el aprendizaje automático son similares a los de la minería de datos y el modelado predictivo. Ambos requieren buscar en los datos para buscar patrones y ajustar las acciones del programa en consecuencia. Muchas personas están familiarizadas con el aprendizaje automático al comprar en Internet y recibir anuncios relacionados con su compra. Esto sucede porque los motores de recomendación utilizan el aprendizaje automático para personalizar la entrega de anuncios en línea en casi tiempo real. Más allá del marketing personalizado, otros casos de uso de aprendizaje automático comunes incluyen detección de fraude, filtrado de spam, detección de amenazas a la seguridad de la red, mantenimiento predictivo y creación de noticias.