Cuando piensas en el aprendizaje automático, la clave es centrarse en el término aprendizaje.
¿Qué estrategias puedes usar para aprender algo nuevo?
¿Cómo puedes tomar las estrategias y aplicarlas a las máquinas?💡
Imagina que quieres aprender a jugar el ajedrez. Podrías hacer esto de un par de maneras diferentes. Podrías contratar a un tutor de ajedrez, podrías practicar jugando contra tu tutor. Luego supervisarían tus movimientos y te ayudarían cuando cometieras un error.
Si no pudieras encontrar un tutor, también podrías is a los parques públicos. Allí verías a la gente jugar. Simplemente observaras y aprenderías en silencio. Tendrías que descubrir el ajedrez simplemente viendo los juegos por tu cuenta.
Estas dos estrategias son muy similares a cómo aprende una máquina. El sistema podría hacer algo llamado aprendizaje supervisado.
Aquí, un científico de datos actúa como un tutor para la máquina. Le muestran a la máquina las respuestas correctas y luego dejan que el sistema Se entrene para mejorar el el juego. El sistema también podría hacer aprendizaje no supervisado. Aquí solo tienes que hacer todas las observaciones por si misma. Como puede imaginar, estos dos enfoques tienen sus propias fortalezas y debilidades. Pero las empresas utilizan estas técnicas para obtener infromación valiosa sobre sus clientes.
Con el aprendizaje supervisado, una empresa como Amazon podría indentificar a mil clientes que pasan mucho tiempo comprando en su sitio web. La compania puede etiquetas a estos clientes como gastadores altos.
Si alguna vez has trabajado como gerente de producto o desarrollador de software, sabes que las aplicaciones necesitan instrucciones muy explícitas. Cada vez que abren Microsoft o una app, te beneficias de un programador que codifica la entrada y la salida.
Pero hemos visto que este tipo de programación no funciona bien con la inteligencia artificial. Hay demasiadas combinaciones para vincular cada entrada a una salida. En estos casos, se necesita un modelo de programación que permita que la máquina aprenda.
Los datos de entrenamientos son un fragmento más pequeno de datos que la máquina utiliza para aprender. El sistema utilizará algoritmos de aprendizaje automático. Estos se basan en estadísticas y estos algoritmos ayudan a la máquina a encontrar relaciones dentro de los datos.
Clasificacion de Datos:
Como humanos, clasificamos las cosas todo el tiempo.
Ponemos nuestros documentos de Microsoft Word en carpetas. Separamos nuestros contactos comerciales de nuestros contactos personales.
Enumeramos las cosas alfabéticamente. Asi organizamos los datos.
Las empresas necesitan organizar los datos de la misma manera.
las companias aéreas quieren clasificar a sus clientes por viajeros frecuentes. Los minoristas quieren clasificar a sus gastadores más altos. Los motores de búsqueda quieren clasificar la probabilidad de que compres.
Los sistemas de detección de fraude con tarjetas de crédito son una de las formas mas populares de utilizar la clasificación binaria. Cada vez que usa su tarjeta de crédito, un algoritmo de aprendizaje automático clasifica su transacción como fraude o no fraude.
Se trata de aprendizaje automático supervisado las compañias de tarjetas de crédito tuvieron que comenzar con decenas de miles de ejemplos de transacciones fraudulentas. El equipo de ciencia de datos capacitaría al sistema sobre cómo reconocer patrones en transacciones futuras.
La clasificación binaria es uno de los desafíos del aprendizaje automático supervisado más populares.
Es porque es simple y poderoso.
Con la clasificación binaria, solo hay dos resultados posibles.
Despues de varios años de desarrollo su compañia de tarjeta de crédito podría enviarle una advertencia de fraude aunque no sea una transacción fraudulenta.
Los científicos de datos están constantemente entrenando estos sistemas para hacer que las clasificaciones sean precisas.
El fraude con tarjetas de crédito, la detección de spam y las compras en línea pueden parecer desafíos muy diferentes, pero pasa su sistema de aprendizaje automático, todas son formas diferentes de hacer lo mismo. Está clasificando sus datos etiquetados en categorías.
El aprendizaje automático es una de las áreas más populares en inteligencia artificial. Eso se debe en parte a la explosión de datos, pero también se debe a los enormes avances en los algoritmos de aprendizaje automático.
El aprendizaje automático por sí solo es un conjunto de tecnicas. Es una forma de construir sistemas que aprenden a través de los datos. Van más allá de los primeros sistemas de IA que necesitaban ser programadores explícitamente.
Un algoritmo de aprendizaje automático supervisado muy común para la clasificación multiclase se llama K vecino mas cercano, K Nearest Neighbor(KNN). El algoritmo traza nuevos datos y los compara con los datos y los compara con los que ya tienen.
La clave para recorda que cada uno de estos algoritmos es como la herramienta de cocina de un chef. Las cucharas se usan para remover y los cuchillos se usan para cortar, pero a veces, los chefs pueden encontrar nuevos usos creativos para esa herramienta.💾
Algunos chefs usan el lado de su cuchillo para aplastar un diente de ajo o usan una cuchara para girar spaguetis. Cada algoritmo se utiliza principalmente para el aprendizaje supervisado o no supervisado, pero hay algoritmos que puede utilizar para ambos.
El algoritmo común de aprendizaje automático es la agrupación K-Means Clustering, es un algoritmo de aprendizáje no supervisado. Se utiliza para crear clústeres basados en lo que su máquina ve en los datos.
Regression Analysis o la herramienta análisis de regresión. Es un algoritmo de aprendizaje automático supervisado. Analiza la relación entre los predictores y el resultado. Aveces escuchará predictores llamados variables de entrada, variables independientes o regresores.🤖🗯️
En el aprendizaje automático supervisado, su sistema de IA puede crear reglas simples para sus datos de entrenamiento que no funcionan bien cuando se observan los datos de prueba más grandes. Esto se denomina sobreajuste de los datos.
Los algoritmos de aprendizaje automático ven patrones en sus datos, pero aveces simplemente tienen demasiados datos para usar estos algoritmos. por lo tanto, muchas grandes organizaciones utilizan redes neuronales artificiales en su lugar.
las redes neuronales artificiales son un tipo de aprendizaje automático que utiliza una estructura como el cerebro humanos para descomponer conjuntos de datos masivos.
En lugar de utilizar algoritmos, una red neuronal descompone sus datos en partes mucho mas pequeñas.
Las capas se mueven de izquierda a derecha. Está la capa de entrada, las capas ocultas y la capa de salida. Si la red tiene muchas capas ocultas, entonces se llama red neuronal artificial de aprendizaje profundo. Esto se debe a que la red tiene muchas capaz de profundidad.
Un red neuronal artificial agrega peso a las conexiones entre las neuronas en cada capa. Cada neurona en la capa oculta alimenta hacia adelante a todas las demás neuronas en la siguiente capa. 🤖💭
Entonces, si hay 100 neuronas en cada capa oculta, cada neurona en esa capa tendrá 100 conexiones que salen.
Cuando inicializa su red neuronal por primera vez, los sistemas asignarán números aleatoriamente a estos miles de pesos. Luego, introducirá sus datos de entrenamiento en la red y dejará que el sistema ajuste los pesos en función de si está obteniendo el resultado correcto.
La red repetirá esto una y otra y otra vez hasta que identifique con precisión los patrones para la salida.
Se ajustará con el tiempo para concentrare en las mejores predicciones.
En segundo lugar, los sistemas de IA aprenden probando diferentes cosas y viendo cuáles funcionan mejor. Esto significa que habrá algo de prueba y error. Finalmente, los sistemas de IA pueden hacer cosas que los humanos no pueden.
Los sistemas de IA son tan buenos como los datos que se les dan. Estos datos deben ser precidos y representativos del mundo real. Si no es así, el sistema aprenderá de estas imprecisiones y producirá resultados inesactos.🤖📖
En segundo lugar, los sistemas de IA aprenden probando diferentes cosas y viendo cuáles funcionan mejor. Esto significa que habrá algo de prueba y error. Finalmente, los sistemas de IA pueden hacer cosas que los humanos no pueden.
Pueden procesar grandes cantidades de datos rápidamente y encontrar patrones que nunca podríamos ver.
Preguntas / Respuestas:
¿Por qué querrías utilizar el aprendizaje por refuerzo en lugar del aprendizaje no supervisado?
-El aprendizaje por refuerzo permite a la máquina hacer predicciones y crear estrategias en lugar de simplemente agrupar los datos.💡
¿Cuál es uno de los mayores desafíos de la clasificación binaria del aprendizaje supervisado?
-Necesita muchos datos preclasificados o etiquetados para el conjunto de entrenamiento.
Su equipo de ciencia de datos quiere crear un análisis de regresión basado en los precios del combustible. ¿Cómo se vería esto en un diagrama XY?
-Cree una línea de tendencia con los precios del combustible en el eje X y las ventas de automóviles eléctricos en el eje Y.
¿En qué se parece K al vecino más cercano al viejo dicho: “pájaros del mismo plumaje se juntan”?
-Clasifique los datos desconocidos con los datos más cercanos que conoce.
¿Qué es el modelado de conjuntos?
-Esto es cuando se utiliza una combinación de diferentes algoritmos o datos de aprendizaje automático para mejorar el resultado.
¿Cómo afecta el equilibrio entre sesgo y variación al aprendizaje automático?
-Si la máquina realiza un cambio en uno, debe considerar cómo se ve afectado el otro.
Con una red neuronal artificial ¿qué sentido tiene tener una función de costos?
-Ayuda a la red a determinar el costo del error para que puedan realizar ajustes mayores o menores a sus conjeturas.
¿Cómo se puede describir mejor la función de costos aplicada a las redes neuronales?
-un número que el sistema utiliza para comparar su respuesta con la respuesta correcta.
///
-Espero que mis apuntes te ayuden en tu investigacion personal o tarea de colegiatura.
Si te gusto, apoyame con un like y sigueme. Gracias.
///
Material de estudio.
Fuente: Introduction-to-Artificial-Intelligence.
Top comments (0)