Icone color1 06

Los paradigmas en el aprender del aprendizaje automático

Autor: Matteo Alberti

Traductor: Paula Vidal

 

 

Tradicionalmente tenemos tres tipos diferentes de aprendizaje en el aprendizaje automático:

  • Aprendizaje supervisado
  • Aprendizaje no supervisado
  • Aprendizaje de refuerzo

 

Aprendizaje supervisado

El aprendizaje supervisado tiene como objetivo inferir una función dada de los datos de entrenamiento.

Estos datos consisten en un par que esta formado por un vector de entrada y un valor de salida deseado.

Podemos tener dos diferentes situaciones:

 

  • Clasificación: cuando la variable de salida deseada es categórica (cualitativa nominal o ordinal)

Un ejemplo típico en el campo del marketing puede ser clasificar a los clientes buenos / malos, en el campo médico para predecir a partir de una radiografía la presencia o ausencia de una enfermedad viendo los síntomas.

  • Regresión: cuando la variable de salida deseada es cuantitativa

Problema típico de las estadísticas clásicas en el que dado un conjunto de variables queremos ir y predecir el valor de nuestro objeto variable del análisis

L’idea di base è quella di trovare un insieme di pesi che siano in grado di predire correttamente l’output desiderato dato qualsiasi valore di input dei dati, generalizzando da dati di apprendimento a situazioni differenti.

La idea básica es encontrar un conjunto de ponderaciones que puedan predecir correctamente el resultado deseado dando cualquier valor de entrada de datos, generando desde datos de aprendizaje hasta situaciones diferentes.

Los ejemplos típicos de los algoritmos para el aprendizaje supervisado son:

  • Regresión lineal, árboles de decisión, .. para problemas de regresión
  • Logística, árboles de decisión, ANN para problemas de clasificación

 

1 2

 

Aprendizaje no supervisado

En el aprendizaje no supervisado, solo tenemos datos de entrada sin ningún resultado deseado. El objetivo es modelar la distribución de datos subyacente, por ejemplo, para preservar la geometría de los datos locales, reduciendo el número de dimensiones para realizar análisis adicionales o reduciendo a las dos dimensiones individuales, reduciéndonos a los métodos gráficos.

Los algoritmos de aprendizaje no supervisados pueden dividirse en tres situaciones diferentes:

 

 

Los algoritmos de aprendizaje no supervisados pueden dividirse en tres situaciones diferentes:

  • Agrupación: el objetivo es descubrir agrupaciones en los datos
  • Análisis de asociaciones: queremos ir y descubrir las reglas que mejor describen la mayor parte de los datos posibles
  • Estimación cuantil

 

Ejemplos comunes de aprendizaje no supervisado son:

  • Algoritmo de k-promedios
  • Algoritmos a priori para problemas de análisis de asociación
  • Análisis de los componentes principales

 

2.jpg 4

 

Aprendizaje semi-supervisado

En el aprendizaje semi-supervisado, solo una parte de la información está presente, por lo que estamos en un caso en el límite entre los supervisados y los no supervisados.

Un ejemplo típico puede ser el reconocimiento de objetos a partir de imágenes

 

Apprendimento per Rinforzo:

L’apprendimento per Rinforzo pone come obiettivo come classificare differenti situazioni al fine di intraprendere un’azione.

Il principale campo di applicazione consiste nell’applicazione alla robotica dove, il nostro agente è posizionato all’interno di un ambiente (environment) ed in ogni step possiamo ricevere una ricompensa data da un’azione positiva. Un esempio comune sono simulatori e bot nei videogiochi

 

Aprendizaje de refuerzo:

El aprendizaje de reforzar tiene como objetivo clasificar diferentes situaciones para tomar medidas.

El principal campo de aplicación es la aplicación a la robótica, donde nuestro agente se posiciona dentro de un entorno (entorno) y en cada paso podemos recibir una recompensa dada por una acción positiva. Un ejemplo común son simuladores y bots en videojuegos.

 

3 1

3 1

0 comentarios

Dejar un comentario

¿Quieres unirte a la conversación?
Siéntete libre de contribuir

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *