Hay muchas abreviaturas utilizadas en el dominio de la informática para varias tecnologías como HTML, HTTPS, API, etc. Sin embargo, a veces tenemos una abreviatura común para distintas herramientas o tecnologías que a menudo confunden a las personas (especialmente a los principiantes). Por ejemplo, IDE significa ambos: entorno de desarrollo integrado y electrónica de dispositivo integrado. Hay varios otros ejemplos también. Y con la misma preocupación, aquí en este artículo, veremos ML que implica Meta Language y Machine Learning.
Primero hablemos de ML – Machine Learning:
La inteligencia artificial es una tendencia creciente en estos días y, por lo tanto, sus ramas son el aprendizaje automático , la visión artificial, el procesamiento del lenguaje natural, el aprendizaje profundo, etc. Entre todos estos, Machine Learning es un segmento de IA que permite que una máquina aprenda cosas y mejore en consecuencia. Las aplicaciones de Machine Learning se encuentran en casi todas las disciplinas, como reconocimiento de imágenes, reconocimiento de voz, atención médica y muchas más.
La tecnología de aprendizaje automático utiliza estadísticas y datos para aprender a realizar una tarea asignada. Aquí, los humanos tienen que proporcionar un conjunto de datos a la máquina. Luego, la tecnología trabaja en el desarrollo de un programa de computadora e inicia el autoaprendizaje, accediendo a los datos proporcionados. De esta forma, el aprendizaje automático permite que las computadoras realicen tareas sin intervención humana. Existen diferentes formas de llevar a cabo el Machine Learning:
Aprendizaje supervisado: el aprendizaje supervisado se refiere al método de aprendizaje en el que la máquina se entrena con los datos bien etiquetados, lo que implica que algunos datos ya están etiquetados con la respuesta correcta. Luego, el sistema recibe un nuevo conjunto de datos para predecir los resultados correctos utilizando el algoritmo de aprendizaje.
La regresión lineal y la clasificación son los mejores ejemplos de aprendizaje supervisado. Encontrar el precio de una casa es un ejemplo de regresión lineal si las variables dependientes utilizadas son tales que el tamaño de un edificio/casa aumenta con el número de personas que viven allí y, por lo tanto, el aumento en el tamaño del edificio resulta en un aumento en precios de la vivienda.
En los problemas de clasificación, podemos predecir diferentes etiquetas de clase (Sí/No, Clase A, B, C, etc.) en función de los datos de entrada. Algunos ejemplos básicos de problemas Sí/No incluyen agrupar correos electrónicos como spam o no, verificar el resultado de la infección por virus como positivo o negativo, etc. Otros ejemplos incluyen agrupar automóviles como automóviles familiares o no, clasificar diferentes especies de animales y aves, etc. Todos de estos son ejemplos de aprendizaje supervisado.
Aprendizaje no supervisado: el aprendizaje no supervisado se refiere al método de aprendizaje en el que no hay conocimiento o capacitación previos y no se proporciona un maestro para la capacitación. Las respuestas previamente etiquetadas o el resultado objetivo están ausentes en el aprendizaje no supervisado. Aquí, las inferencias se hacen a partir de los datos de entrada. La tasa de supervisión humana es baja en el caso del aprendizaje no supervisado y se hace que el modelo o la máquina funcionen por sí mismos para generar inferencias. Eso significa que el modelo funcionará por sí solo para descubrir los patrones y la información.
Aprendizaje por refuerzo: el aprendizaje por refuerzo también es un paradigma de aprendizaje automático, como el aprendizaje supervisado y no supervisado. Aquí tenemos un agente y un entorno. En el aprendizaje por refuerzo, se requiere que el sistema aprenda de su propia experiencia con la ayuda de un agente de refuerzo. El sistema no conoce previamente la respuesta correcta y el agente de refuerzo decide qué hacer con la tarea proporcionada. El agente es recompensado por las acciones realizadas. Esta categoría de aprendizaje se trata de cómo los agentes de software toman medidas en un entorno para maximizar la tasa de la recompensa acumulada obtenida. A menudo se usa para predecir el ganador de problemas de ajedrez y otros juegos.
Ahora, pasemos a ML Language – Metal Language
Metal Language es un lenguaje de programación de propósito general que pertenece a la familia de programación funcional. El Metalenguaje generalmente representa el lenguaje del programa de manipulación. A menudo se le llama un lenguaje funcional impuro de múltiples paradigmas, ya que muestra algunos efectos secundarios. El lenguaje tiene un sistema de basura que facilita la gestión automática de la memoria. El lenguaje también ayuda a describir los objetos, la gramática y los conceptos asociados con un lenguaje de programación.
Los descendientes de ML incluyen Miranda, Haskell, Caml, F#, etc. Todos estos lenguajes facilitan la definición de las funciones seleccionadas. El ML es un lenguaje interpretado y las variables tienen un alcance estático en Metal Language. Además, Metal Language proporciona una serie de funciones integradas y cada función en ML espera un argumento de un tipo particular y devuelve el tipo de resultado particular. Además, el operador fun se usa para definir las funciones y la función definida usando fun también puede ser recursiva.
Las aplicaciones de Metal Language incluyen bioinformática, diseño de compiladores, demostración automatizada de teoremas, sistemas financieros, etc.
¡A partir de ahora, debe haber entendido la diferencia entre Metal Language y Machine Learning!
Publicación traducida automáticamente
Artículo escrito por aleenajoseph993 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA