¡Hola!
Bienvenidos a un nuevo artículo, hoy conocerás los aspectos importantes del machine learning, donde seguramente despertará el interés de saber mucho más acerca de las grandes innovaciones de esta era digital.
¡Continúa leyendo!
¿Qué es el machine learning?
El aprendizaje automático, (del inglés, machine learning) es el subcampo de las ciencias de la computación y una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las computadoras aprendan.
El aprendizaje automático está relacionado con el reconocimiento de patrones, puede ser visto como un intento de automatizar algunas partes del método científico mediante métodos matemáticos, por lo tanto es un proceso de inducción del conocimiento.
Cabe destacar que tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis de mercado para los diferentes sectores de actividad, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.
Las aplicaciones de machine learning están a nuestro alrededor, en nuestras casas, carros de compra, medios de entretenimiento y cuidado de la salud.
¿Cómo se relaciona el machine learning con la IA?
La IA procesa datos para tomar decisiones y hacer proyecciones, los algoritmos de machine learning permiten que la IA no solo procese esos datos, sino que los use para aprender y ser más inteligente, sin necesidad de programación adicional.
La inteligencia artificial es la madre de todos los subconjuntos de machine learning subyacentes, dentro del primer subconjunto está machine learning; dentro de eso está el deep learning, y luego las redes neuronales dentro de eso.
Tipos de algoritmos
- Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser muy útil en problemas de investigación biológica, biología computacional y bioinformática.
- Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan solo por entradas al sistema, no se tiene información sobre las categorías de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.
- Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.
El aprendizaje por refuerzo es el más general entre las tres categorías. En vez de que un instructor indique al agente qué hacer, el agente inteligente debe aprender cómo se comporta el entorno mediante recompensas (refuerzos) o castigos, derivados del éxito o del fracaso respectivamente.
Tipos de conocimientos
Se obtiene crecimiento, que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si dejara huellas. La reestructuración, al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuración, y el ajuste que se obtiene al generalizar varios conceptos o generando los propios.
Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de cada tipo de conocimiento depende de las características de lo que se está tratando de aprender.
¿Qué te ha parecido este blog?
Déjanos tu opinión en los comentarios
¡Atentos a nuestros próximos temas!
¡En IUTEPI, podrás desarrollar tu mejor potencial!