Aprendizaje automático (ML)
- Aprendizaje automático supervisado
- Aprendizaje automático no supervisado
- Aprendizaje automático autosupervisado
La programación clásica usa programas (algoritmos) para crear resultados:
Computación tradicional
Datos + Algoritmo informático = Resultado
Machine Learning utiliza los resultados para crear programas (algoritmos):
Aprendizaje automático
Datos + Resultado = Algoritmo de computadora
Aprendizaje automático
El aprendizaje automático a menudo se considera equivalente a la inteligencia artificial.
Esto no es correcto. El aprendizaje automático es un subconjunto de la inteligencia artificial.
El aprendizaje automático es una disciplina de la IA que utiliza datos para enseñar a las máquinas.
"El aprendizaje automático es un campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programadas".
Arturo Samuel (1959)
Aprendizaje supervisado
El aprendizaje supervisado utiliza datos etiquetados (datos con respuestas conocidas) para entrenar algoritmos para:
- Clasificar datos
- Predecir resultados
El aprendizaje supervisado puede clasificar datos como "Qué es spam en un correo electrónico", basándose en ejemplos de spam conocidos.
El aprendizaje supervisado puede predecir resultados como predecir qué tipo de video le gusta, según los videos que ha reproducido.
Aprendizaje sin supervisión
El aprendizaje no supervisado se utiliza para predecir relaciones indefinidas como patrones significativos en los datos.
Se trata de crear algoritmos informáticos que puedan mejorarse a sí mismos.
Se espera que el aprendizaje automático cambie a aprendizaje no supervisado para permitir a los programadores resolver problemas sin crear modelos.
Aprendizaje autosupervisado
El aprendizaje autosupervisado es similar al aprendizaje no supervisado porque ambos trabajan con datos sin etiquetas añadidas por humanos.
La diferencia es que el aprendizaje no supervisado utiliza el agrupamiento, la agrupación y la reducción de dimensionalidad, mientras que el aprendizaje autosupervisado saca sus propias conclusiones para las tareas de regresión y clasificación.