Introducción al Machine Learning #3 - Tipos de algoritmos de aprendizaje
Buenos días, buenas tardes, y buenas noches. Les doy la bienvenida nuevamente a un nuevo articulo sobre el Machine Learning.
En el día de hoy, nos introduciremos a la parte teórica de los problemas de Aprendizaje Automático y veremos los distintos tipos de algoritmos de aprendizaje.
Requisitos para seguir leyendo este articulo:
- Tener una taza de café caliente a tu lado
- Ponerte cómodo
- Estar en un lugar sin distracciones
- No tener pestañas de redes sociales abiertas
- Al finalizar la lectura de este articulo, debes compartirlo con tus amigos (En ese momento ya podrás abrir tus redes sociales)
Bueno, una vez que cumplas todos los requisitos, ya podemos comenzar.
Índice
Aprendizaje Automático - La configuración del problema:
En general, un problema de aprendizaje considera un conjunto de n muestras de datos, que se utilizaran luego, para tratar de predecir propiedades de datos desconocidos. Si cada muestra es más de un numero único, por ejemplo, una entrada multidimensional, se dice que tiene varios atributos o características.
Podemos separar los problemas de aprendizaje en algunas categorías, las cuales mencionare a continuación:
1- Aprendizaje supervisado: En el cual los datos vienen con atributos adicionales que queremos predecir. Este problema puede ser de:
1.1- Clasificación: En donde las muestras pertenecen a dos o más clases y queremos aprender de los datos ya etiquetados para poder predecir la clase de datos sin etiquetar.
Un ejemplo de problema de clasificación sería el ejemplo de reconocimiento de dígitos escritos a mano, en el cual el objetivo es asignar cada vector de entrada a uno de un número finito de categorías discretas.
Un ejemplo de problema de clasificación sería el ejemplo de reconocimiento de dígitos escritos a mano, en el cual el objetivo es asignar cada vector de entrada a uno de un número finito de categorías discretas.
1.2 - Regresión: Si el resultado deseado consiste en una o más variables continuas, entonces la tarea se llama regresión. Un ejemplo de un problema de regresión sería la predicción de la longitud de un salmón en función de su edad y peso.
2- Aprendizaje no supervisado: Por otra parte tenemos el aprendizaje no supervisado en donde los datos de entrenamiento consisten en un conjunto de vectores de entrada x sin nigún valor objetivo correspondiente.
Más sobre el Aprendizaje Supervisado:
El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente
Dentro del Aprendizaje supervisado, podemos encontrar el aprendizaje activo, el cual describiré a continuación:
Aprendizaje Activo:
Hay situaciones en las que los datos sin etiqueta es abundante, pero los datos de etiquetado es caro. En esta situación, el algoritmo de aprendizaje de manera activa la consulta del usuario / profesor para las etiquetas. Este tipo de aprendizaje supervisado iterativo se llama aprendizaje activo. Dado que el estudiante elige los ejemplos, el número de ejemplos para aprender un concepto a menudo pueden ser mucho menores que el número requerido en el aprendizaje supervisado normal. Con este enfoque se corre el riesgo de que el algoritmo puede centrarse en importancia ni como ejemplos válidos.
El aprendizaje activo puede ser especialmente útil en problemas de investigación biológica, como ingeniería de proteínas, donde unas pocas proteínas han sido descubiertos con una cierta función interesante y se quiere determinar cuál de las muchas posibles mutantes que el próximo que tendrá un.
Más sobre el Aprendizaje No Supervisado:
El aprendizaje no supervisado puede ser usado en conjunto con la Inferencia bayesiana para producir probabilidades condicionales (es decir, aprendizaje supervisado) para cualquiera de las variables aleatorias dadas. El Santo Grial del aprendizaje no supervisado es la creación de un código factorial de los datos, esto es, un código con componentes estadísticamente independientes. El aprendizaje supervisado normalmente funciona mucho mejor cuando los datos iniciales son primero traducidos en un código factorial.
El aprendizaje no supervisado también es útil para la compresión de datos: fundamentalmente, todos los algoritmos de compresión dependen tanto explícita como implícitamente de una distribución de probabilidad sobre un conjunto de entrada.
Otros tipos de aprendizaje:
A parte del aprendizaje supervisado y no supervisado tenemos:
Aprendizaje Semisupervisado:
Este tipo de algoritmos combinan el aprendizaje supervisado y no supervisado para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.
Aprendizaje por Refuerzo:
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.
Aprendizaje multi-area:
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.
Bueno, creo que eso es suficiente por hoy. Es muy importante saber los tipos de algoritmos, de esta manera sabremos como resolver cierto problema.
El aprendizaje que más utilizaremos a lo largo del tiempo sera el aprendizaje supervisado, ya que la mayoría de ejemplos y problemas que resolveremos serán de clasificación y regresión. Pero aun así, tocaremos los temas de los otros tipos de aprendizaje.
Mi nombre es Luis, y fue un placer compartir mis conocimientos con todos ustedes :D.
-
Unknown dice:
Hola, hay líneas de texto que se nota fueron traducidas literalmente con lo que pueden confundir al lector. Fuera de eso gracias por el artículo.
Unknown Deja una respuesta
Hola, vas a poner algún tipo de ejemplo práctico ?