UDACITY Course
What is ML ?
El aprendizaje automático (ML) es una técnica moderna de desarrollo de software y un tipo de inteligencia artificial (IA) que permite a las computadoras resolver problemas utilizando ejemplos de datos del mundo real. Para descubrir patrones y hacer predicciones.
Supervised Learning
En el aprendizaje supervisado , cada muestra de entrenamiento del conjunto de datos tiene una etiqueta correspondiente o un valor de salida asociado. Como resultado, el algoritmo aprende a predecir etiquetas o valores de salida.
Unsupervised Learning
no hay etiquetas para los datos de entrenamiento. Un algoritmo de aprendizaje automático intenta aprender los patrones o distribuciones subyacentes que gobiernan los datos.
Tanto en el aprendizaje Supervised como Unsupervised los modelos inspeccionan los datos para descubrir patrones, luego los humanos usan los patrones aprendidos por el modelo para obtener nuevos conocimientos o hacer predicciones.
Reinforcement Learning
el algoritmo determina qué acciones tomar en una situación para maximizar una recompensa (en forma de número) en el camino hacia la consecución de un objetivo específico.
¿En qué se diferencia el aprendizaje automático de los enfoques tradicionales basados en la programación?
En la solución tradicional de problemas con software, una persona analiza un problema y crea una solución en código para resolver ese problema. Para muchos problemas del mundo real, este proceso puede ser laborioso (o incluso imposible) porque una solución correcta debería considerar una gran cantidad de casos extremos.
Imagine, por ejemplo, la desafiante tarea de escribir un programa que pueda detectar si un gato está presente en una imagen. Resolver esto de la manera tradicional requeriría una cuidadosa atención a detalles como las diferentes condiciones de iluminación, diferentes tipos de gatos y varias poses en las que podría estar un gato.
En el aprendizaje automático, el solucionador de problemas abstrae parte de su solución como un componente flexible llamado modelo y usa un programa especial llamado algoritmo de entrenamiento de modelos para ajustar ese modelo a los datos del mundo real. El resultado es un modelo entrenado que se puede utilizar para predecir resultados que no forman parte del conjunto de datos utilizado para entrenarlo.
En cierto modo, el aprendizaje automático automatiza parte del razonamiento estadístico y la coincidencia de patrones que tradicionalmente haría el solucionador de problemas.
El objetivo general es utilizar un modelo creado por un algoritmo de entrenamiento de modelos para generar predicciones o encontrar patrones en los datos que se puedan utilizar para resolver un problema.