Introducción al aprendizaje automático

El entrenamiento es una habilidad universal que es inherente a cualquier organismo vivo en el planeta.

El aprendizaje es la adquisición de conocimientos y habilidades a través de la experiencia o el estudio. Esto es lo que nos une y al mismo tiempo nos hace únicos. Esto es lo que se desarrolla con el tiempo.



¿Qué pasa si digo: "Los automóviles también pueden aprender"?

Vivimos en un momento increíble del desarrollo de la robótica, la inteligencia artificial y el aprendizaje automático. El aprendizaje automático sigue siendo un concepto bastante nuevo. Podemos enseñar a las máquinas cómo aprender, y algunas máquinas pueden aprender por sí mismas. La magia!

Este artículo le presentará los conceptos básicos del aprendizaje automático.
Lo más importante que debe comprender: las máquinas pueden predecir el futuro en función del pasado.

¿Qué es el aprendizaje automático?

El aprendizaje automático supone que una computadora reconoce patrones con ejemplos, en lugar de ser programados con reglas específicas. Estos patrones están contenidos en los datos.

El aprendizaje automático es la creación de algoritmos (un conjunto de reglas) que aprenden de funciones complejas (plantillas) a partir de datos y hacen predicciones.

Esto sucede en 3 etapas :
1) Análisis de datos
2) Encontrar patrones
3) Predicción basada en patrones

Aplicación de aprendizaje automático

Descripción general de dónde se puede utilizar el aprendizaje automático

• Asistencia sanitaria: predicción de diagnósticos de pacientes para médicos
• Red social: predicción de compatibilidad en un sitio de citas
• Finanzas: pronóstico de fraude con tarjetas de crédito
• Comercio electrónico: predecir la rotación de clientes
• Biología: busque patrones de mutaciones genéticas que puedan causar cáncer

¿Cómo aprenden los autos?

No quiero confundirte, así que solo diré que las máquinas aprenden al encontrar datos similares en grandes conjuntos de datos. Cuantos más datos se transfieren a la máquina, más "inteligente" se vuelve.

No todos los datos son iguales. Imagina que eres un pirata y tu objetivo es encontrar un tesoro en algún lugar de la isla. Para hacer esto, necesita mucha información. Al igual que los datos, esta información puede guiarlo en la dirección correcta o incorrecta. Cuanto más precisa sea la información / datos recibidos, mayores serán las posibilidades de éxito. Por lo tanto, es importante considerar el tipo de datos con los que se llevará a cabo la capacitación.

Sin embargo, después de suficientes datos, la máquina puede hacer predicciones. Las máquinas pueden predecir el futuro hasta que el futuro sea muy diferente del pasado.

Tipos de aprendizaje automático

Hay tres categorías principales de aprendizaje automático:

Aprendizaje supervisado : la máquina aprende de los datos seleccionados. Por lo general, los datos son anotados por personas.

Aprendizaje no supervisado : la máquina no aprende de los datos seleccionados. El punto es que entre los datos no hay una respuesta "correcta", la máquina debe encontrar la relación entre los objetos.

Aprendizaje de refuerzo : una máquina aprende a través de un sistema basado en recompensas.

1. Aprendizaje supervisado (formación del profesorado)

Aprender con un maestro es el tipo de aprendizaje automático más común y estudiado, porque es más fácil entrenar una máquina con datos seleccionados. Dependiendo de lo que quiera predecir, la enseñanza con un maestro puede usarse para resolver dos tipos de problemas: el problema de regresión y el problema de clasificación.

Objetivo de regresión:

Si desea predecir valores continuos, por ejemplo, intente predecir el valor de una casa o el clima en la calle en grados, use la regresión. Este tipo de tarea no tiene un límite específico de valores, ya que el valor puede ser cualquier número sin restricciones.

Tarea de clasificación:

Si desea predecir valores discretos, como clasificar algo, use la clasificación. La pregunta "¿Una persona hará una compra" tiene una respuesta que se divide en dos categorías específicas: sí o no. El número de respuestas válidas es, por supuesto.

2. Aprendizaje no supervisado (aprender sin un maestro)

Dado que las máquinas no tienen datos marcados para el entrenamiento, el propósito del aprendizaje automático sin un maestro es detectar patrones en los datos y agruparlos.
Aprender sin un maestro resuelve 2 tipos de problemas: el problema de agrupamiento y la tarea de encontrar reglas asociativas.

La tarea de agrupamiento:

Aprender sin un maestro resuelve el problema de la agrupación, encontrando similitudes en los datos. Si hay un grupo o grupo común, el algoritmo los clasificará en una forma específica. Un ejemplo de esto es la agrupación de clientes en función de sus compras pasadas.

La tarea de encontrar reglas asociativas:

Aprender sin un maestro resuelve este problema al tratar de comprender las reglas y el significado de los diferentes grupos. Un ejemplo sorprendente es la búsqueda de la relación entre las compras de los clientes. Las tiendas pueden averiguar qué productos se compraron juntos y utilizar esta información para las ventas. Un estudio encontró que existe una estrecha relación entre comprar cerveza y pañales. Resultó que los hombres que salían a comprar pañales para sus hijos también tienden a comprar cerveza para ellos.

3. Aprendizaje de refuerzo

Este tipo de aprendizaje automático requiere el uso de un sistema de recompensa / penalización. El objetivo es recompensar el automóvil cuando aprende correctamente y castigarlo cuando aprende incorrectamente.

Ejemplos de aprendizaje de refuerzo

- Máquinas de aprendizaje para aprender a jugar ( Ajedrez, Ir )
- Super Mario , cómo estudiar y jugar.

Hablamos sobre los conceptos básicos del aprendizaje automático, el tema es interesante y prometedor, así que no pierdas el tiempo para aprender más.

Una guía para principiantes para el aprendizaje automático :)