Machine Learning en Inteligencia Artificial

Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como datos de entrenamiento, para hacer predicciones o tomar decisiones sin estar programados explícitamente para hacerlo.

Los algoritmos de aprendizaje automático se utilizan en una amplia variedad de aplicaciones, como medicina, filtrado de correo electrónico, reconocimiento de voz, agricultura y visión artificial, donde es difícil o imposible desarrollar algoritmos convencionales para realizar las tareas requeridas.

Un subconjunto del aprendizaje automático está estrechamente relacionado con las estadísticas computacionales, que se enfocan en hacer predicciones usando computadoras, pero no todo el aprendizaje automático es aprendizaje estadístico.

¿Cómo podemos utilizar nuestras habilidades de coaching para el liderazgo?

El estudio de la optimización matemática proporciona métodos, teorías y áreas de aplicación en el campo del aprendizaje automático. La minería de datos es un campo de estudio relacionado, que se centra en el análisis exploratorio de datos a través del aprendizaje no supervisado.

Algunas implementaciones de aprendizaje automático usan datos y redes neuronales de una manera que imita el funcionamiento de un cerebro biológico.

En su aplicación a problemas comerciales, el aprendizaje automático también se denomina análisis predictivo.

Los algoritmos de aprendizaje funcionan sobre la base de que las estrategias, los algoritmos y las inferencias que han funcionado bien en el pasado seguirán funcionando bien en el futuro. Estas conclusiones a veces pueden ser obvias, como “Dado que el sol ha salido todas las mañanas durante los últimos 10.000 días, probablemente saldrá mañana por la mañana”.

Aprendizaje rápido: una guía para principiantes

Otras veces pueden tener más matices, como «El X% de las familias tienen especies separadas geográficamente con variantes de color, por lo que existe un Y% de posibilidades de que existan cisnes negros sin descubrir».

Los programas de aprendizaje automático pueden realizar tareas sin estar programados explícitamente para hacerlo. Implica la idea de que las computadoras aprendan de datos dados para realizar ciertas tareas.

Para tareas simples asignadas a las computadoras, es posible programar algoritmos que le indiquen a la máquina cómo realizar todos los pasos necesarios para resolver el problema; en el lado de la computadora, no se requiere aprendizaje.

Para tareas más avanzadas, puede ser un desafío para un ser humano crear manualmente los algoritmos necesarios. En la práctica, puede resultar más eficiente ayudar a la máquina a desarrollar su algoritmo en lugar de que los programadores humanos especifiquen cada paso necesario.

Creación de modelos personalizados de reconocimiento de entidades con nombre (NER) — Transformadores

La disciplina del aprendizaje automático utiliza varios enfoques para enseñar a las computadoras a realizar tareas para las que no se dispone de un algoritmo totalmente satisfactorio. En los casos en los que hay una gran cantidad de posibles respuestas, un enfoque consiste en etiquetar algunas de las respuestas correctas como válidas.

Esto se puede usar como datos de entrenamiento para que la computadora mejore los algoritmos que usa para determinar las respuestas correctas. Por ejemplo, para entrenar un sistema para la tarea de reconocimiento de caracteres digitales, a menudo se ha utilizado el conjunto de datos MNIST de dígitos escritos a mano.

(Incluye textos y adaptado de Wikipedia por Bemebelino Bembi)

Más contenido en PlainEnglish.io.

El poder de la ingeniería rápida: liberando todo el potencial de los modelos de lenguaje

Suscríbete a nuestro boletín semanal gratuito. Siga con nosotros Gorjeo, LinkedIn, YouTubey Discordia.