Machine Learning Supervisado y Sin Supervisión
Read Time:3 Minute, 9 Second

Machine Learning Supervisado y Sin Supervisión

1 0

Podemos clasificar los sistemas de Machine Learning de acuerdo al tipo y a la cantidad de supervisión humana durante la capacitación. Podrás encontrar 4 categorías principales, como hemos explicado antes.

  • Machine Learning Supervisado
  • Machine Learning sin Supervisión
  • Machine Learning Semi-Supervisado
  • Machine Learning de Refuerzo

Machine Learning Supervisado

En este tipo de sistema de Machine Learning los datos con que tu alimentas el algoritmo, con la solución deseada, son referidos como “labels” (etiquetas).

machine learning supervisado

El Machine Learning supervisado agrupa tareas de clasificación. El programa de arriba es un buen ejemplo de esto porque ha sido capacitado con muchos correos electrónicos al mismo tiempo que sus clases

Otro ejemplo es predecir un valor numérico como el precio de un apartamento, dados un numero de características (ubicación, número de habitaciones, instalaciones), llamados predictores; este tipo de tarea es llamado regresión.

machine learning supervisado
Debes tener en cuenta que algunos algoritmos  de regresión puden ser usados para clasificación también, y viceversa.

Los Algoritmos Supervisados Mas Importantes

  • K-nearest neighbors (KNN, vecinos más cercanos K)
  • Red Neural
  • Máquinas de soporte de vectores
  • Regresión logística
  • Arboles de decisiones y bosques aleatorios

Machine Learning No Supervisado

En este tipo de sistemas de Machine Learning, puedes suponer que los datos están sin etiqueta.

machine learning no supervisado

Los Algoritmos Más Importantes del Machine Learning No Supervisado

  • Agrupamiento (Clustering): Medios k, análisis de agrupamiento jerárquico
  • Machine Learning de Asociación de Regla: Eclat y A priori
  • Visualización y Reducción de Dimensionalidad: Núcleo PCA, distribuido de t PCA.

Como ejemplo, supongamos que tienes muchos datos en el uso visitante de uno de nuestros algoritmos  para detecar grupos con visitantes similares. Podría encontrar que el 65% de tus visitantes son masculinos  a quienes les encanta ver películas en las noches, mientras que el 30% ve obras en las noches; en este caso, usando un algoritmo de agrupamiento, dividirá cada grupo en sub grupos.

machine learning no supervisado

Hay algoritmos muy importantes, como los algoritmos de visualización; estos algoritmos son de Machine Learning sin supervisión. Necesitarás dales muchos datos y datos sin etiqueta como una salida, y entonces obtendrás visualización 2D o 3D como una salida.

ml no supervisado

La meta aquí es hacer la salida tan simple como sea posible sin perder nada de la información. Para manejar este problema, se combinaran muchas características relacionadas en una sola característica; por ejemplo, combinará la marca de un automóvil con su modelo. Esto es llamado extracción de característica.

Machine Learning de Refuerzo

Machine Learning de refuerzo es otro tipo de sistemas de Machine Learning. Un agente “Sistema AI” (Inteligencia Artificial) observará el ambiente, ejecutando diferentes acciones, y luego recibe recompensas t a cambio. Con este tipo, el agente debe aprender por sí mismo. Es llamado una póliza.

Puedes conseguir este tipo de enseñanza en muchas aplicaciones robóticas que aprenden como caminar.

Machine Learning por Lote

En este tipo de sistema de Machine Learning, el sistema no puede aprender de manera incrementada: El sistema debe obtener todos los datos necesarios. Esto quiere decir que necesitará muchos recursos y una gran cantidad de tiempo, así que siempre es hecho fuera de línea. Entonces, apara trabajar con este tipo de Machine Learning, lo primero que hay que hacer es capacitar el sistema, y luego lanzarlo sin ningún Machine Learning.

Machine Learning En-Línea

Este tipo de Machine Learning es lo opuesto al Machine Learning por lote. Lo que quiero decir es que aquí el sistemas puede aprender de forma incrementada proveyendo al sistema con todos los todos disponibles como ejemplos (grupos o individualmente), y luego el sistema puede aprender en el proceso.

Puedes usar este tipo de sistema para problemas que requieran el flujo continuo de datos, los cuales además necesitan adaptarse rápidamente al cualquier cambio. Además puedes utilizar este tipo de sistemas para trabajar con grandes paquetes de datos.

Más info aquí.

Más artículos como este en : https://cto.education/category/machine-learning

Happy
Happy
100 %
Sad
Sad
0 %
Excited
Excited
0 %
Sleepy
Sleepy
0 %
Angry
Angry
0 %
Surprise
Surprise
0 %

Average Rating

5 Star
0%
4 Star
0%
3 Star
0%
2 Star
0%
1 Star
0%

Deja una respuesta

cto de una startup Entrada anterior ¿Qué hace el CTO de una startup?
Youtube: Mejora el alcance orgánico Entrada siguiente Youtube: Mejora el alcance orgánico
You cannot copy content of this page