machine-learning
El aprendizaje automático y su clasificación.

¿Qué es el aprendizaje automático?

Se ofrecen dos definiciones de aprendizaje automático. Arthur Samuel lo describió como:

el campo de estudio que otorga a las computadoras la capacidad de aprender sin ser explícitamente programadas.

Esta es una definición más antigua, informal.

Tom Mitchell ofrece una definición más moderna:

Se dice que un programa de computadora aprende de la experiencia E con respecto a alguna clase de tareas T y la medida de rendimiento P, si su desempeño en las tareas en T, medido por P, mejora con la experiencia E.

Ejemplo: jugar a las damas.

E = la experiencia de jugar muchos juegos de damas

T = la tarea de jugar a las damas.

P = la probabilidad de que el programa gane el siguiente juego.

En general, cualquier problema de aprendizaje automático puede asignarse a una de dos clasificaciones generales:

1. Aprendizaje supervisado
2. Aprendizaje sin supervisión.

¿Qué es el aprendizaje supervisado?

El aprendizaje supervisado es un tipo de algoritmo de aprendizaje automático que utiliza un conjunto de datos conocido (denominado conjunto de datos de entrenamiento) para hacer predicciones.

Categoría de aprendizaje supervisado:

1. Regresión: en un problema de regresión, estamos tratando de predecir los resultados dentro de una salida continua, lo que significa que estamos tratando de asignar las variables de entrada a alguna función continua.
2. Clasificación: en un problema de clasificación, en cambio, estamos tratando de predecir los resultados en un resultado discreto. En otras palabras, estamos tratando de asignar las variables de entrada en categorías discretas.

Ejemplo 1:

Dados los datos 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.

Ejemplo 2:

(a) Regresión - Para valores de respuesta continua. Por ejemplo, dada la imagen de una persona, tenemos que predecir su edad en función de la imagen dada

(b) Clasificación : para valores de respuesta categóricos, donde los datos se pueden separar en "clases" específicas. Por ejemplo, dado un paciente con un tumor, tenemos que predecir si el tumor es maligno o benigno.

¿Qué es el aprendizaje no supervisado?

El aprendizaje no supervisado nos permite abordar los problemas con poca o ninguna idea de cómo deberían ser nuestros resultados. Podemos derivar la estructura de datos donde no necesariamente sabemos el efecto de las variables.

Ejemplo:

Agrupación en clúster: se utiliza para el análisis exploratorio de datos para encontrar patrones ocultos o agrupación en datos. Tome una colección de 1,000,000 de genes diferentes, y encuentre una manera de agrupar automáticamente estos genes en grupos que de alguna manera sean similares o estén relacionados por diferentes variables, como la duración de la vida, la ubicación, los roles, etc.