Machine Learning Colombia
Qué es Machine Learning o Aprendizaje Automático
En 1959, el científico de la IBM Arthur Samuel escribió un programa para jugar damas, para mejorarlo hizo que el programa jugara consigo mismo miles de veces, el programa era capaz de mejorar su rendimiento a través de la experiencia, el programa aprendió y nació el Machine Learning y desde allí el desarrollo de sus aplicaciones.
La Inteligencia Artificial tiente como campo el Machine Learning o también conocido como Aprendizaje Automático, donde las máquinas pueden «aprender» de sí mismas, sin ser explícitamente programadas por los seres humanos. Analizando datos pasados llamados «datos de entrenamiento», el modelo de Aprendizaje Automático forma patrones y usa estos patrones para aprender y hacer predicciones futuras.
«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 rendimiento en tareas en T, medido por P, mejora con la experiencia E.»
Mitchell, 1997
Tipos de Machine Learning o Aprendizaje Automático
Aprendizaje Supervisado
En este tipo de aprendizaje, la máquina aprende de un conjunto de casos previamente etiquetados por un experto
o de forma semi – automática basándose en los datos, es decir, para un conjunto de datos de entrada conocemos de
antemano los datos correctos de salida. En el aprendizaje supervisado, el objetivo es aprender una forma de mapear
las entradas en salidas, cuyos valores correctos son proporcionados por un supervisor.
En este tipo de aprendizaje se caracteriza por:
- Modelos Predictivos.
- La máquina aprende explícitamente.
- Predice el futuro a partir de datos históricos.
- Resuelve problemas de clasificación y regresión.
Algoritmos
Clasificación
Regresión
Aprendizaje No Supervisado
El aprendizaje no supervisado es aquél que no requiere de ningún etiquetado previo de los casos, se basa en los datos tal y como los recibe y su objetivo es determinar relaciones de similitud, diferencia o asociación. En el aprendizaje no supervisado para un conjunto de datos de entrada, no conocemos de antemano los datos de salida. El objetivo del aprendizaje no supervisado es encontrar las regularidades o patrones en la entrada.
Algoritmos
K-means, Gaussian Mixtures, Clustering Jerárquico, PCA, entre otros.
Clustering - Segmentación
Se buscan aquellos elementos que son similares entre sí y distintas de las demás para formar agrupaciones de los
datos llamadas cluster.
PCA (Principal Component Analysis) - Reducción Dimensional
Se trata de reducir el número de variables de una colección de datos, a partir de técnicas de asociación, correlación, consistencia en variables de tipo continúo.
Aprendizaje Reforzado
En algunas aplicaciones, la salida del sistema es una secuencia de acciones. En tal caso, una sola acción no es importante; lo importante es la política que es la secuencia de acciones correctas para alcanzar la meta, es decir, una acción es buena si es parte de una buena política. En tal caso, el programa de aprendizaje automático debe ser capaz de evaluar la bondad de las políticas y aprender de secuencias de buenas acciones pasadas para poder generar una política.
Algoritmos
Programación dinámica, Qlearning, entre otros.
SARSA - State–Action–Reward–State–Action
Es un algoritmo de política donde, en el estado actual, S una acción, A se toma y el agente obtiene una recompensa, R y termina en el siguiente estado, S1 y toma una acción, A1 en S1. Por lo tanto, la tupla (S, A, R, S1, A1) representa el acrónimo SARSA.r.
Aplicaciones de Machine Learning -Aprendizaje Automático
A continuación podrás acceder a diferentes aplicaciones básicas que te pueden dar una mayor idea de los diferentes campos del Machine Learning o Aprendizaje Automático.
