El Machine Learning o aprendizaje automático es una rama del campo de la Inteligencia artificial y se trata de una técnica de análisis de datos que enseña a las computadoras «aprender de la experiencia», aquello que es natural para los humanos. Los algoritmos de Machine Learning usan métodos computacionales para «aprender» (learning) la información extraída de los datos y mejorar su rendimiento de forma adaptada -conforme aumenta el número de muestras disponibles para el aprendizaje-.
Con el auge del Big Data, el Machine Learning se ha convertido en una técnica clave para resolver problemas en diversas áreas como medicina, energía, aeroespacial, automoción, fabricación, etc. tanto para detectar tumores como para previsión de cargas energéticas o para el mantenimiento predictivo, entre otras opciones.
Los algoritmos de Aprendizaje Automático encuentran patrones naturales en los datos que generan información y lo ayudan a tomar mejores decisiones y predicciones. Por ejemplo, paginas webs de musica o vídeos utilizan Machine Learning para analizar millones de opciones y dar recomendaciones sobre canciones o películas a los usuarios. También, los retailers lo utilizan para obtener información sobre el comportamiento de compra de sus clientes.
[Tweet «Con el auge del #BigData, el #MachineLearning se ha convertido en una técnica clave para resolver problemas en diversas áreas como medicina, energía, aeroespacial, automoción, fabricación,…»]
Machine Learning: cómo funciona
El Machine Learning emplea dos tipos de técnicas:
- Aprendizaje Supervisado, que entrena un modelo sobre datos de entrada y salida conocidos para que pueda predecir resultados futuros
- Aprendizaje No Supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.
Fuente: https://es.mathworks.com/discovery/machine-learning.html
Machine Learning: aprendizaje supervisado
El aprendizaje automático supervisado crea un modelo que realiza predicciones basadas en evidencia en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado lo puedes usar si tienes datos conocidos para la salida que está intentando predecir.
El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos.
- Técnicas de clasificación. Las técnicas de clasificación predicen respuestas discretas, por ejemplo, si un correo electrónico es genuino o spam, o si un tumor es canceroso o benigno. Los modelos de clasificación clasifican los datos de entrada en categorías. Las aplicaciones típicas incluyen imágenes médicas, reconocimiento de voz y calificación crediticia.Utilice la clasificación si sus datos se pueden etiquetar, categorizar o separar en grupos o clases específicos. Por ejemplo, las aplicaciones para el reconocimiento de escritura a mano utilizan la clasificación para reconocer letras y números. En el procesamiento de imágenes y la visión por computadora, se utilizan técnicas de reconocimiento de patrones sin supervisión para la detección de objetos y la segmentación de imágenes.
- Regresión. Las técnicas de regresión predicen respuestas continuas, por ejemplo, cambios en la temperatura o fluctuaciones en la demanda de energía. Las aplicaciones típicas incluyen predicción de carga eléctrica y comercio algorítmico.Utilice las técnicas de regresión si está trabajando con un rango de datos o si la naturaleza de su respuesta es un número real, como la temperatura o el tiempo hasta el fallo de un equipo.
Machine Learning: aprendizaje NO supervisado
El aprendizaje no supervisado encuentra patrones ocultos o estructuras intrínsecas en los datos. Se utiliza para extraer inferencias de conjuntos de datos que consisten en datos de entrada sin respuestas etiquetadas.
El Clustering es la técnica de aprendizaje no supervisada más común. Se utiliza para el análisis exploratorio de datos para encontrar patrones ocultos o agrupaciones en los datos. Las aplicaciones para el análisis de conglomerados incluyen análisis de secuencia génica, investigación de mercado y reconocimiento de objetos.
Por ejemplo, si una compañía de telefonía celular quiere optimizar las ubicaciones donde construyen torres de telefonía celular, pueden usar el aprendizaje automático para estimar la cantidad de grupos de personas que confían en sus torres. Un teléfono solo puede hablar con una torre a la vez, por lo que el equipo utiliza algoritmos de agrupamiento para diseñar la mejor ubicación de las torres de telefonía móvil para optimizar la recepción de señal para grupos o grupos de sus clientes.
[Tweet «En #MachineLearning, ¿cuándo elegir entre la técnica de aprendizaje supervisado y la de aprendizaje NO supervisado?»]
Aquí hay algunas pautas para elegir entre aprendizaje automático supervisado y no supervisado:
- Elija el aprendizaje supervisado si necesita entrenar un modelo para hacer una predicción, por ejemplo, el valor futuro de una variable continua, como la temperatura o el precio de una acción, o una clasificación, por ejemplo, identificar marcas de automóviles a partir de imágenes de video de la cámara web .
- Elija el aprendizaje no supervisado si necesita explorar sus datos y desea entrenar un modelo para encontrar una buena representación interna, como dividir los datos en grupos.
Fuente: https://www.mathworks.com/discovery/machine-learning.html
0 comentarios