Tipos de Aprendizaje Automático
Aprendizaje supervisado
El aprendizaje supervisado es una técnica de aprendizaje automático en la que el modelo se entrena con un conjunto de entrenamiento etiquetado.
Las tareas más populares de aprendizaje supervisado son:
-
Regresión (por ejemplo, predecir el precio de una casa): para ello, se necesita un conjunto de entrenamiento etiquetado con otros precios de casas;
-
Clasificación (por ejemplo, clasificar correos electrónicos como spam/no spam): para ello, se necesita un conjunto de entrenamiento etiquetado como spam/no spam.
Aprendizaje no supervisado
El aprendizaje no supervisado es una técnica de aprendizaje automático en la que el modelo se entrena con un conjunto de entrenamiento sin etiquetar.
Las tareas más populares de aprendizaje no supervisado son la clusterización, la detección de anomalías y la reducción de dimensionalidad.
Clusterización
Es un proceso de agrupación de puntos de datos similares en clústeres. No es necesario etiquetar los datos para ello. Por ejemplo, un conjunto de entrenamiento de correos electrónicos sin etiquetas spam/ham es suficiente.
Detección de anomalías
Es un proceso de detección de desviaciones respecto al comportamiento normal de los datos. Por ejemplo, la detección de fraude en transacciones con tarjetas de crédito. No es necesario etiquetar fraude/no fraude. Simplemente se proporciona la información de la transacción a un modelo, que determinará si la transacción es atípica.
Reducción de dimensionalidad
Es un proceso de reducción del número de dimensiones manteniendo la mayor cantidad posible de información relevante. Tampoco requiere etiquetas.
Aprendizaje por Refuerzo
El aprendizaje por refuerzo difiere significativamente de los dos tipos anteriores. Es una técnica utilizada para entrenar vehículos autónomos, robots, inteligencia artificial en juegos y más.
El aprendizaje por refuerzo es una técnica de aprendizaje automático en la que el agente (por ejemplo, un robot aspirador) aprende tomando decisiones y recibe una recompensa si la decisión es correcta y una penalización si la decisión es incorrecta.
Imagina entrenar a un perro para que recoja una pelota. El perro recibiría una recompensa (como una golosina o elogios) por recoger la pelota y acercarla al dueño. Recibiría una penalización (como no recibir la golosina o un tono de desaprobación) si corre en la dirección equivocada o se distrae. Además, obtendría una gran recompensa una vez que logre recuperar la pelota y entregarla al dueño.
1. Para entrenar el modelo de ML en una tarea de aprendizaje supervisado, es necesario que el conjunto de entrenamiento contenga el objetivo (esté etiquetado). ¿Es correcto?
2. Para entrenar el modelo de ML en una tarea de aprendizaje no supervisado, no se requiere que el conjunto de entrenamiento contenga un objetivo (esté etiquetado). ¿Es correcto?
¡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 3.13Tipos de Aprendizaje Automático
Desliza para mostrar el menú
Aprendizaje supervisado
El aprendizaje supervisado es una técnica de aprendizaje automático en la que el modelo se entrena con un conjunto de entrenamiento etiquetado.
Las tareas más populares de aprendizaje supervisado son:
-
Regresión (por ejemplo, predecir el precio de una casa): para ello, se necesita un conjunto de entrenamiento etiquetado con otros precios de casas;
-
Clasificación (por ejemplo, clasificar correos electrónicos como spam/no spam): para ello, se necesita un conjunto de entrenamiento etiquetado como spam/no spam.
Aprendizaje no supervisado
El aprendizaje no supervisado es una técnica de aprendizaje automático en la que el modelo se entrena con un conjunto de entrenamiento sin etiquetar.
Las tareas más populares de aprendizaje no supervisado son la clusterización, la detección de anomalías y la reducción de dimensionalidad.
Clusterización
Es un proceso de agrupación de puntos de datos similares en clústeres. No es necesario etiquetar los datos para ello. Por ejemplo, un conjunto de entrenamiento de correos electrónicos sin etiquetas spam/ham es suficiente.
Detección de anomalías
Es un proceso de detección de desviaciones respecto al comportamiento normal de los datos. Por ejemplo, la detección de fraude en transacciones con tarjetas de crédito. No es necesario etiquetar fraude/no fraude. Simplemente se proporciona la información de la transacción a un modelo, que determinará si la transacción es atípica.
Reducción de dimensionalidad
Es un proceso de reducción del número de dimensiones manteniendo la mayor cantidad posible de información relevante. Tampoco requiere etiquetas.
Aprendizaje por Refuerzo
El aprendizaje por refuerzo difiere significativamente de los dos tipos anteriores. Es una técnica utilizada para entrenar vehículos autónomos, robots, inteligencia artificial en juegos y más.
El aprendizaje por refuerzo es una técnica de aprendizaje automático en la que el agente (por ejemplo, un robot aspirador) aprende tomando decisiones y recibe una recompensa si la decisión es correcta y una penalización si la decisión es incorrecta.
Imagina entrenar a un perro para que recoja una pelota. El perro recibiría una recompensa (como una golosina o elogios) por recoger la pelota y acercarla al dueño. Recibiría una penalización (como no recibir la golosina o un tono de desaprobación) si corre en la dirección equivocada o se distrae. Además, obtendría una gran recompensa una vez que logre recuperar la pelota y entregarla al dueño.
1. Para entrenar el modelo de ML en una tarea de aprendizaje supervisado, es necesario que el conjunto de entrenamiento contenga el objetivo (esté etiquetado). ¿Es correcto?
2. Para entrenar el modelo de ML en una tarea de aprendizaje no supervisado, no se requiere que el conjunto de entrenamiento contenga un objetivo (esté etiquetado). ¿Es correcto?
¡Gracias por tus comentarios!
