Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Learning
algoritmo de ML
algoritmos de asociación
Algoritmos de clustering.
¿Cuáles son los diferentes tipos de Machine Learning?
ENTRENAMIENTO SUPERVISADO
El sistema se entrena sobre un
conjunto de datos etiquetados, con
la información que se supone que
tiene que determinar. Es posible
que los datos ya estén clasificados
de la forma en que se supone que
debe hacerlo el sistema.
ENTRENAMIENTO NO
SUPERVISADO
Por el contrario, en el caso del
aprendizaje no supervisado, los datos no
tienen etiquetas. La máquina se contenta
con explorar los datos en busca de
posibles patrones. Ingiere grandes
cantidades de datos y utiliza algoritmos
para extraer las características relevantes
necesarias para etiquetar, ordenar y
clasificar datos en tiempo real sin
intervención humana.
ENTRENAMIENTO
SEMISUPERVISADO
En su forma más simple, el aprendizaje profundo se puede considerar como una forma de
automatizar el análisis predictivo.
Ejemplo
Cómo funciona el aprendizaje profundo
Los programas informáticos que utilizan el aprendizaje profundo pasan por el mismo proceso
que el niño pequeño que aprende a identificar al perro.
Métodos de aprendizaje profundo
Las tasas de aprendizaje que son demasiado altas pueden resultar en procesos de
entrenamiento inestables o en el aprendizaje de un conjunto de pesos subóptimo. Las tasas de
aprendizaje que son demasiado pequeñas pueden producir
La
La importancia radica en que no solo actualiza y optimiza importancia
los procesos de enseñanza y aprendizaje de las máquinas,
sino que con su éxito hace posible lo imposible. del
El reconocimiento de voz, la traducción automática, la aprendizaje
percepción de objetos y las predicciones sobre el
comportamiento probable de las personas son tareas que profundo
hasta hace unas cuantas décadas se creían inalcanzables y,
no conforme con eso, nos encaminamos a cumplir metas
tecnológicas que incluyen implantar el piloto automático
en automóviles y concretar el uso de mayordomos
robóticos, o cualquier robot con altos niveles de
conciencia acerca de su entorno.
Las ventajas del aprendizaje profundo
El aprendizaje "profundo" implica la creació n de redes neuronales a
gran escala que hacen posible que el ordenador aprenda y “piense” por
sí mismo. Por ejemplo, se puede entrenar a una máquina inteligente
para que reconozca la presencia de un ser humano en una imagen, así,
la red neuronal aprende de los píxeles que contienen un gran nú mero
de imá genes de personas, clasificá ndolos en diversos grupos de
acuerdo a las características que podrían indicar que hay un ser
humano en la imagen: el rostro, la nariz, los ojos, la boca, otros.
¿Cómo aprenden las máquinas?
Las máquinas inteligentes adquieren el conocimiento que necesitan. Los seres humanos aprendemos a través de la experiencia: cuanto más
variadas sean las vivencias que vive una persona, más aprenderá de
ellas
Aprendizaje
El aprendizaje profundo es un subconjunto del
aprendizaje automático que se diferencia por la forma en
profundo vs
que resuelve problemas. El aprendizaje automático aprendizaje
requiere un experto en el dominio para identificar la
mayoría de las funciones aplicadas. automático
Por otro lado, el aprendizaje profundo comprende las
características de manera incremental. Esto hace que los
algoritmos de aprendizaje profundo tarden mucho más en
entrenarse que los algoritmos de aprendizaje automático,
que solo necesitan de unos segundos a unas pocas horas.
Sin embargo, ocurre lo contrario durante las pruebas.