Qué es ML
Para seguir el código en este curso, es útil completar los siguientes cursos primero, a menos que estos temas ya sean familiares:
Aprendizaje automático (ML) es un enfoque de programación donde los ordenadores aprenden a partir de datos para resolver una tarea en lugar de recibir instrucciones explícitas.
Considere el ejemplo de un clasificador de spam/ham (no spam).
Construir un sistema de este tipo con un enfoque de programación tradicional (sin ML) es complicado, ya que requiere escribir reglas explícitas, incluso compilar manualmente una lista de palabras de spam.
Con el aprendizaje automático, el modelo se entrena con muchos ejemplos de correos electrónicos de spam y ham, y aprende por sí mismo los patrones que los distinguen.
Los datos proporcionados para el entrenamiento se denominan conjunto de entrenamiento. En este caso, consiste en correos electrónicos ya etiquetados como spam o ham, lo que permite al modelo captar las características de ambas categorías.
Después del entrenamiento, el modelo se evalúa utilizando un conjunto de prueba: una colección separada de correos electrónicos etiquetados. Este paso verifica qué tan bien el modelo generaliza a nuevos datos no vistos.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 3.13Qué es ML
Desliza para mostrar el menú
Para seguir el código en este curso, es útil completar los siguientes cursos primero, a menos que estos temas ya sean familiares:
Aprendizaje automático (ML) es un enfoque de programación donde los ordenadores aprenden a partir de datos para resolver una tarea en lugar de recibir instrucciones explícitas.
Considere el ejemplo de un clasificador de spam/ham (no spam).
Construir un sistema de este tipo con un enfoque de programación tradicional (sin ML) es complicado, ya que requiere escribir reglas explícitas, incluso compilar manualmente una lista de palabras de spam.
Con el aprendizaje automático, el modelo se entrena con muchos ejemplos de correos electrónicos de spam y ham, y aprende por sí mismo los patrones que los distinguen.
Los datos proporcionados para el entrenamiento se denominan conjunto de entrenamiento. En este caso, consiste en correos electrónicos ya etiquetados como spam o ham, lo que permite al modelo captar las características de ambas categorías.
Después del entrenamiento, el modelo se evalúa utilizando un conjunto de prueba: una colección separada de correos electrónicos etiquetados. Este paso verifica qué tan bien el modelo generaliza a nuevos datos no vistos.
¡Gracias por tus comentarios!
