Una introducción al aprendizaje automático

Definición de aprendizaje automático: Arthur Samuel, uno de los primeros líderes estadounidenses en el campo de los juegos informáticos y la inteligencia artificial, acuñó el término «aprendizaje automático» en 1959 mientras trabajaba en IBM. Definió el aprendizaje automático como “el campo de estudio que le da a las computadoras la capacidad de aprender sin ser programadas explícitamente”. Sin embargo, no existe una definición universalmente aceptada para el aprendizaje automático. Diferentes autores definen el término de manera diferente. Damos a continuación dos definiciones más.

• El aprendizaje automático consiste en programar computadoras para optimizar un criterio de rendimiento utilizando datos de ejemplo o experiencias pasadas. Tenemos un modelo definido hasta unos parámetros, y el aprendizaje es la ejecución de un programa informático para optimizar los parámetros del modelo utilizando los datos de entrenamiento o experiencia pasada. El modelo puede ser predictivo para hacer predicciones en el futuro o descriptivo para obtener conocimiento de los datos.
• El campo de estudio conocido como aprendizaje automático se ocupa de la cuestión de cómo construir programas informáticos que mejoren automáticamente con la experiencia.

Definición de aprendizaje: se dice que un programa de computadora aprende de la experiencia E con respecto a alguna clase de tareas T y una medida de desempeño P, si su desempeño en las tareas T, medido por P, mejora con la experiencia E. 

Ejemplos

• Problema de aprendizaje de reconocimiento de escritura a mano 
  • Tarea T: reconocer y clasificar palabras escritas a mano dentro de imágenes 
  • Performance P : Porcentaje de palabras clasificadas correctamente 
  • Experiencia de capacitación E: un conjunto de datos de palabras escritas a mano con clasificaciones dadas 
• Un problema de aprendizaje de conducción de robots 
  • Tarea T: Conducir en carreteras usando sensores de visión
  • Desempeño P : Distancia promedio recorrida antes de un error
  • Experiencia de entrenamiento E : Una secuencia de imágenes y comandos de dirección registrados mientras se observa a un conductor humano

Definición: Un programa de computadora que aprende de la experiencia se llama programa de aprendizaje automático o simplemente programa de aprendizaje. 

Clasificación del aprendizaje automático

Las implementaciones de aprendizaje automático se clasifican en cuatro categorías principales, según la naturaleza de la «señal» o «respuesta» de aprendizaje disponible para un sistema de aprendizaje, que son las siguientes:

A. Aprendizaje supervisado:

El aprendizaje supervisado es la tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida en función de pares de entrada-salida de ejemplo. Los datos dados están etiquetados. Tanto los problemas de clasificación como los de regresión son problemas de aprendizaje supervisado. 

• Ejemplo: considere los siguientes datos sobre pacientes que ingresan a una clínica. Los datos consisten en el sexo y la edad de los pacientes y cada paciente se etiqueta como «sano» o «enfermo».

género	años	etiqueta
METRO	48	enfermo
METRO	67	enfermo
F	53	saludable
METRO	49	enfermo
F	32	saludable
METRO	34	saludable
METRO	21	saludable

B. Aprendizaje no supervisado:

El aprendizaje no supervisado es un tipo de algoritmo de aprendizaje automático que se utiliza para extraer inferencias de conjuntos de datos que consisten en datos de entrada sin respuestas etiquetadas. En los algoritmos de aprendizaje no supervisado, la clasificación o categorización no se incluye en las observaciones. Ejemplo: Considere los siguientes datos con respecto a los pacientes que ingresan a una clínica. Los datos consisten en el sexo y la edad de los pacientes. 

género	años
METRO	48
METRO	67
F	53
METRO	49
F	34
METRO	21

 
Como un tipo de aprendizaje, se parece a los métodos que usan los humanos para darse cuenta de que ciertos objetos o eventos son de la misma clase, como observar el grado de similitud entre los objetos. Algunos sistemas de recomendación que encuentras en la web en forma de automatización de marketing se basan en este tipo de aprendizaje.

Para obtener más información sobre el aprendizaje supervisado y no supervisado, consulte: – https://www.geeksforgeeks.org/supervised-unsupervised-learning/ .

C. Aprendizaje por refuerzo:

El aprendizaje por refuerzo es el problema de hacer que un agente actúe en el mundo para maximizar sus recompensas.

A un alumno no se le dice qué acciones tomar como en la mayoría de las formas de aprendizaje automático, sino que debe descubrir qué acciones producen la mayor recompensa al probarlas. Por ejemplo, considere enseñarle a un perro un nuevo truco: no podemos decirle qué decirle que haga qué hacer, pero podemos recompensarlo/castigarlo si hace lo correcto/incorrecto.

 Al ver el video, observe cómo el programa es inicialmente torpe y sin habilidades, pero mejora constantemente con el entrenamiento hasta que se convierte en un campeón.

Para obtener más información sobre el aprendizaje por refuerzo, consulte: https://www.geeksforgeeks.org/what-is-reinforcement-learning/ .

D. Aprendizaje semisupervisado:

Cuando se da una señal de entrenamiento incompleta: un conjunto de entrenamiento con algunos (a menudo muchos) de los resultados de destino que faltan. Hay un caso especial de este principio conocido como Transducción donde se conoce todo el conjunto de instancias del problema en el momento del aprendizaje, excepto que faltan parte de los objetivos. El aprendizaje semisupervisado es un enfoque del aprendizaje automático que combina pequeños datos etiquetados con una gran cantidad de datos no etiquetados durante el entrenamiento. El aprendizaje semisupervisado se encuentra entre el aprendizaje no supervisado y el aprendizaje supervisado. 

Categorización basada en la salida requerida

Otra categorización de las tareas de aprendizaje automático surge cuando se considera el resultado deseado de un sistema de aprendizaje automático:  

1. Clasificación: cuando las entradas se dividen en dos o más clases, el alumno debe producir un modelo que asigne entradas no vistas a una o más (clasificación de etiquetas múltiples) de estas clases. Por lo general, esto se aborda de manera supervisada. El filtrado de spam es un ejemplo de clasificación, donde las entradas son mensajes de correo electrónico (u otros) y las clases son «spam» y «no spam». Para obtener más información sobre la clasificación, consulte: https://www.geeksforgeeks.org/regression-classification-supervised-machine-learning/
2. Regresión: que también es un problema supervisado, un caso en el que las salidas son continuas en lugar de discretas. Para obtener más información sobre la clasificación, consulte: https://www.geeksforgeeks.org/regression-classification-supervised-machine-learning/ y https://www.geeksforgeeks.org/regression-classification-supervised-machine-learning/ .
3. Agrupamiento: cuando un conjunto de entradas se va a dividir en grupos. A diferencia de la clasificación, los grupos no se conocen de antemano, por lo que esta suele ser una tarea sin supervisión. Para obtener más información sobre la clasificación, consulte: https://www.geeksforgeeks.org/clustering-in-machine-learning/

El aprendizaje automático entra en escena cuando los problemas no se pueden resolver con enfoques típicos. Los algoritmos de ML combinados con las nuevas tecnologías informáticas promueven la escalabilidad y mejoran la eficiencia. Los modelos modernos de ML se pueden usar para hacer predicciones que van desde brotes de enfermedades hasta el aumento y la caída de las existencias.

Este artículo es una contribución de Siddharth Pandey . Si te gusta GeeksforGeeks y te gustaría contribuir, también puedes escribir un artículo usando write.geeksforgeeks.org o enviar tu artículo por correo a review-team@geeksforgeeks.org. Vea su artículo que aparece en la página principal de GeeksforGeeks y ayude a otros Geeks. 

Escriba comentarios si encuentra algo incorrecto o si desea compartir más información sobre el tema tratado anteriormente.

Cursos GeeksforGeeks

Aprendizaje automático básico y avanzado: curso a su propio ritmo

En un mundo impulsado por la tecnología, todos aspiran a aprender las habilidades que demanda la industria. Puede comenzar con nuestro Curso de autoaprendizaje de aprendizaje automático que no solo le brinda un conocimiento profundo de los temas de aprendizaje automático, sino que también lo introduce a las aplicaciones del mundo real. Entonces, ¿qué estás esperando? Simplemente comienza desde aquí.