Guía de aprendizaje automático

¿Debo aprender ahora … o más tarde? El aprendizaje es una habilidad / rasgo universal que es adquirido por cualquier organismo vivo en este planeta. El aprendizaje se define por: la adquisición de conocimientos o habilidades a través de la experiencia, el estudio o al ser enseñados. Ya sea que se trate de una planta que aprende cómo responder a la luz y la temperatura, un mono que aprende a pelar un plátano o que nosotros, los humanos, aprendamos a andar en bicicleta. Este punto en común es lo que nos hace únicos y evoluciona con el tiempo.

Pero, ¿qué pasaría si dijera “Las máquinas también pueden aprender”?

Estamos en la época en que las máquinas no son diferentes. El aprendizaje automático es todavía un concepto bastante nuevo. Podemos enseñar a las máquinas cómo aprender y algunas máquinas incluso pueden aprender por sí mismas. Este fenómeno mágico se llama Aprendizaje automático .

Esperamos que este artículo te brinde algunas ideas útiles y te ayude a descubrir lo que las computadoras pueden hacer hoy en día. No voy a profundizar sobre qué es el aprendizaje automático, sino más bien una descripción general de alto nivel.

Si hay UNA cosa que debes APRENDER al leer este artículo, es esto:

Las máquinas pueden predecir el futuro, siempre que el futuro no se vea muy diferente del pasado.

¿Qué es el aprendizaje automático?

El aprendizaje automático implica una computadora para reconocer patrones mediante ejemplos, en lugar de Que programarlo con reglas específicas. Estos patrones se encuentran dentro de Datos.

Máquina = Su máquina o computadora Aprendizaje = Búsqueda de patrones en los datos

El aprendizaje automático se trata de:

Creación de algoritmos (un conjunto de reglas) que aprende a partir de funciones complejas (patrones) de datos a realizar predicciones sobre él.

Esencialmente, se puede resumir en 3 pasos:

1. Toma algunos datos
2. Encuentra un patrón a partir de los datos
3. Predice un nuevo patrón a partir de los datos

Aplicaciones del aprendizaje automático

Antes de comenzar, a continuación presentamos una descripción general rápida de qué máquina el aprendizaje es capaz de:

• Atención médica: predecir diagnósticos de pacientes para que los médicos los revisen
• Red social: predecir ciertas preferencias de coincidencia en un sitio web de citas para una mejor compatibilidad
• Finanzas: predecir actividades fraudulentas en una tarjeta de crédito
• E -comercio: Predicción del cliente chur n
• Biología: encontrar patrones en mutaciones genéticas que podrían representar cáncer

¿Cómo aprenden las máquinas?

Para simplificar las cosas, simplemente sepa que las máquinas “aprenden” encontrando patrones en datos similares. Piensa en los datos como información que adquieres del mundo. Cuantos más datos se entregan a una máquina, más inteligente se vuelve.

Pero no todos los datos son iguales . Imagina que eres un pirata y que tu misión en la vida era encontrar el tesoro enterrado en algún lugar de la isla. Para encontrar el tesoro, necesitarás suficiente información. Al igual que los datos, esta información puede llevarlo a la dirección correcta o la dirección incorrecta. Cuanto mejor es la información / datos que se obtienen, más incertidumbre se reduce, y viceversa . Por lo tanto, es importante tener en cuenta el tipo de datos que le está dando a su máquina para aprender.

“Más datos superan a los mejores modelos. Los mejores datos superan a más datos “. – Riley Newman

No obstante, después de que se proporciona una cantidad suficiente de datos, la máquina puede hacer predicciones. Las máquinas pueden predecir el futuro, siempre que el futuro no se vea muy diferente del pasado.

La máquina “aprende” realmente al usar datos antiguos para obtener información sobre cuál es la probabilidad más alta de lo que sucederá . Si los datos antiguos se parecen mucho a los nuevos, entonces las cosas que puede decir sobre los datos antiguos probablemente serán relevantes para los nuevos datos. Es como mirar hacia atrás para mirar hacia adelante.

Tipos de aprendizaje automático

Hay tres categorías principales de aprendizaje automático:

• Aprendizaje supervisado : La máquina aprende de los datos etiquetados. Normalmente, los datos están etiquetados por humanos.
• Aprendizaje no supervisado : La máquina aprende de datos no etiquetados. Es decir, no hay una respuesta “correcta” a la máquina para aprender, pero la máquina debe encontrar patrones a partir de los datos para obtener una respuesta.
• Aprendizaje de refuerzo : la máquina aprende a través de un sistema basado en recompensas.

Aprendizaje automático supervisado

El aprendizaje supervisado es el tipo de aprendizaje más común y estudiado porque es más fácil entrenar una máquina para aprender con datos etiquetados que con datos no etiquetados. Dependiendo de lo que quiera predecir, el aprendizaje supervisado puede usarse para resolver dos tipos de problemas: regresión o clasificación .

Regresión:

Si desea predecir ] valores continuos como tratar de predecir el costo de una casa o el clima exterior en grados, usaría la regresión. Este tipo de problema no tiene una restricción de valor específica porque el valor podría ser cualquier número sin límites.

Clasificación:

Si desea predecir valores discretos como clasificar algo en categorías, usted usaría la clasificación. Un problema como, “Hará esta compra” tendrá una respuesta que se divide en dos categorías específicas: sí o no. Esto también se denomina problema de clasificación binaria.

Aprendizaje automático no supervisado

Dado que no hay datos etiquetados para que los equipos aprendan, el objetivo del aprendizaje automático no supervisado es detectar patrones en los datos y agruparlos. El aprendizaje no supervisado son máquinas que intentan aprender “por su cuenta”, sin ayuda. Imagina que alguien te arroja montones de datos y dice: “Aquí tienes, busca algunos patrones y agrúpalos para mí. Gracias y diviértase “.

Dependiendo de lo que desee agrupar, el aprendizaje no supervisado puede agrupar los datos de la siguiente manera: agrupación o asociación .

Problema de agrupación

El aprendizaje no supervisado intenta resolver este problema buscando similitudes en los datos. Si hay un grupo o grupo común, el algoritmo los categorizaría de cierta forma. Un ejemplo de esto podría ser tratar de agrupar a los clientes según el comportamiento de compra anterior.

Problema de asociación:

El aprendizaje no supervisado intenta resolver este problema al tratar de entender las reglas y el significado de los diferentes grupos. Encontrar una relación entre las compras de los clientes es un ejemplo común de un problema de asociación. Las tiendas pueden querer saber qué tipo de productos se compraron juntos y posiblemente podrían usar esta información para organizar la ubicación de estos productos para un acceso más fácil. Una tienda descubrió que había una fuerte asociación entre los clientes que compraban cerveza y pañales. Dedujeron de esta declaración que los hombres que habían salido a comprar pañales para sus bebés también tienden a comprar cerveza.

Aprendizaje automático por refuerzo

Este tipo de aprendizaje automático requiere el uso de una recompensa / penalización Sistema . El objetivo es recompensar a la máquina cuando aprende correctamente y penalizar a la máquina cuando aprende incorrectamente.

El Aprendizaje Automático de Refuerzos es un subconjunto de Inteligencia Artificial. Con la amplia gama de posibles respuestas a partir de los datos, el proceso de este tipo de aprendizaje es un paso iterativo. Aprende continuamente.

Ejemplos de aprendizaje de refuerzo:

• Entrenando una máquina para aprender a jugar (Chess, Go)
• Entrenando a una máquina cómo aprender y jugar Super Mario por sí mismo
• Automóviles automovilísticos

Notas finales

Este es un artículo actualizado sobre mi antigua publicación sobre Aprendizaje automático. ¡Espero que hayas aprendido algo! Si hay algo que les gustaría agregar a este artículo, no dude en dejar un mensaje. Cualquier tipo de feedback es realmente apreciado. ¡No tengas miedo de compartir esto! ¡Gracias!

Consulte “Guía para principiantes sobre el Data Science Pipeline”: https://www.linkedin.com/pulse/life-data-science-osemn-randy-lao /