Muy buenas, me llamo Miguel y para hoy les traigo este nuevo tutorial.
Los algoritmos de aprendizaje automático pueden dividirse generalmente en dos categorías, supervisados o no supervisados
Los algoritmos de aprendizaje supervisados toman un conjunto de datos y usan sus características para aprender alguna relación con un conjunto de etiquetas correspondiente.
Este proceso se conoce como entrenamiento y, una vez completado, esperamos que nuestro algoritmo haga un buen trabajo al predecir las etiquetas de datos nuevos en los que el algoritmo no tiene conocimiento explícito de la etiqueta verdadera.
Por ejemplo, podríamos entrenar un algoritmo supervisado usando un conjunto de imágenes de animales comunes, así como sus etiquetas correspondientes (por ejemplo, perro, gato, pollo).
El algoritmo aprovechará las características útiles de las imágenes, como el número de patas o el color, para encontrar patrones útiles que vinculen las imágenes con sus etiquetas correctas.
Después de un entrenamiento exitoso, podemos usar el algoritmo completamente entrenado para intentar predecir las etiquetas de un nuevo conjunto de imágenes invisibles.
Generalmente juzgamos el rendimiento del algoritmo por su precisión en la predicción de estas nuevas imágenes invisibles.
El aprendizaje supervisado se puede aplicar a una amplia gama de problemas, como la detección de correo no deseado o la predicción del precio de las acciones. El árbol de decisiones es un ejemplo de un algoritmo de aprendizaje supervisado.
Aprendizaje sin supervisión
Los algoritmos de aprendizaje no supervisados, por otro lado, funcionan con datos que no están etiquetados explícitamente. En cambio, los algoritmos no supervisados intentan encontrar algún tipo de estructura subyacente en los datos.
¿Algunas observaciones están agrupadas en grupos? ¿Existen relaciones interesantes entre diferentes características? ¿Qué funciones contienen la mayor parte de la información?
A diferencia del aprendizaje supervisado, generalmente no es necesario entrenar algoritmos no supervisados, ya que pueden aplicarse directamente a los datos de interés.
También a diferencia del aprendizaje supervisado, la evaluación del rendimiento de un algoritmo de aprendizaje no supervisado es algo subjetivo y depende en gran medida de los detalles específicos de la tarea.
El aprendizaje no supervisado se usa comúnmente en tareas como la minería de texto y la reducción de dimensionalidad. K-means
es un ejemplo de un algoritmo de aprendizaje no supervisado.
Rompiendo la dicotomía
En los últimos años han aparecido una serie de paradigmas que no encajan del todo bajo las etiquetas de supervisado y no supervisado. Aprendizaje semi-supervisado es solo lo que suena, enfoques que combinan algunos datos etiquetados y otros no etiquetados.
A menudo, el etiquetado es un proceso costoso y que requiere mucho tiempo, por lo que hay muchas situaciones en las que nos gustaría utilizar información de una pequeña cantidad de datos etiquetados y una mayor cantidad de datos no etiquetados.
También relacionado con esta situación está Aprendizaje activo donde un algoritmo de aprendizaje puede consultar a un usuario para etiquetar observaciones particulares que agregarán la mayor cantidad de información.
Una situación ligeramente diferente es aquella en la que nos gustaría que un algoritmo aprendiera de la experiencia. Por ejemplo, en el escenario de un juego como el ajedrez, podríamos querer un algoritmo para aprender jugando muchos juegos y usando una especie de etiqueta del resultado de cada juego.
Esto se conoce como Aprendizaje reforzado y ha recibido mucha atención en los últimos años. La mayoría de los enfoques de aprendizaje automático son bastante limitados en las tareas que pueden realizar, mientras que Metaaprendizaje se preocupa por la generalización o por aprender a aprender.
Un ejemplo podría ser un algoritmo que debería identificar animales en imágenes, pero solo está entrenado en gatos y perros. En esta situación, un buen algoritmo de metaaprendizaje podría identificar animales nuevos que aún no ha visto.
Hay muchos otros enfoques que no encajan perfectamente con el aprendizaje supervisado o no supervisado, pero espero que esta publicación brinde una introducción útil al tema.
Espero que hayas aprendido algo nuevo. Gracias por leer.
Añadir comentario