Español | 1.7 Mb | Pdf | Autor: Rudolph Russell | Publicación: 2018 | Páginas: 64 | Pass:www.detodopython.com
Descripción:
Si te preguntara acerca del aprendizaje automático, probablemente imaginarás un robot o algo como Terminator. Pero de hecho, el aprendizaje automático no sólo está involucrado en la robótica sino también en otras aplicaciones.
También puedes imaginar algo como un filtro de spam como una de las primeras aplicaciones en el aprendizaje automático que ha mejorado la vida de millones de personas. En este capítulo, te presentaremos lo que es el aprendizaje automático y cómo funciona.
El aprendizaje automático es el campo de la programación en la que las computadoras pueden aprender a partir de datos. En el ejemplo anterior, el programa puede fácilmente saber si los emails son importantes o no, es decir, spam. En el aprendizaje automático, a los datos se les llama conjunto de entrenamiento o ejemplos.
¿Cuándo deberías usar el aprendizaje automático?
• Cuando enfrentas un problema que requiere muchas largas listas de reglas para obtener una solución, las técnicas de aprendizaje automático pueden simplificar tu código de modo que puedas lograr un mejor desempeño.
• Problemas bastante complejos para los cuales no hay solución cuando usas un enfoque tradicional.
• Ambientes no estables: el software de aprendizaje automático puede adaptarse a nuevos datos
Aprendizaje Supervisado y no supervisado
Podemos categorizar este tipo de algoritmos y dividirlos en los siguientes:
- Aprendizaje Supervisado
- Aprendizaje No supervisado
- Aprendizaje Semi- supervisado
- Aprendizaje de Refuerzo
Aprendizaje Supervisado
Usando este tipo de AA necesitarás los datos que introdujiste en el software con el algoritmo de resolución de problemas, llamados etiquetas.
Deberías tener en mente que algunos algoritmos de regresión pueden usarse para clasificaciones y viceversa.
Los algoritmos supervisados más importantes
- K-Vecinos Más Próximos
- Regresión Lineal
- Redes Neuronales
- Máquinas de Vectores de Soporte
- Regresión Logística
- Árboles de Decisión y Árboles Aleatorios
Opciones de Aprendizaje Automático
Los algoritmos de este tipo pueden dividirse en categoría dependiendo de:
• Si nos necesitan para funcionar y aprender:
- Supervisado
- No supervisado
- Semi- supervisado
- Aprendizaje de Refuerzo
• Si no nos necesitan para funcionar.
• Si funcionan con este tipo de entradas y refieren conocer esta entrada o pueden encontrar nuevas formas en la entrada y luego crear una solución.
Modelos de Aprendizaje Profundo
Hablemos acerca de los modelos del aprendizaje profundo, será útil para empezar a discutir modelos de aprendizaje profundo. Necesitarás bases de matemática y estadística para entender el siguiente contenido. Vamos a hablar del primer modelo; el modelo de perceptrón de una capa (o de capa sencilla), o SLP por las siglas de single layer perceptron.
Modelo de perceptrón de una capa (SLP)
En este modelo, encontrarás que es una forma bastante sencilla de redes neuronales, y también la base de modelos más sofisticados que han sido desarrollados en este campo.
Usualmente, usamos este simple modelo en la clasificación de problemas donde tenemos que darle a los datos algo llamado “etiquetas” (pueden ser binarias o multinomiales, dependiendo de la entrada). Estos valor en tus capas de entrada serán enviados a la capa de salida luego de la multiplicación por pesos, y se añadirá un sesgo a la suma total.
Contenido:
Capítulo 1: Introducción al Aprendizaje Profundo
Capítulo 2: Matemáticas para el Aprendizaje Profundo
Capítulo 3: Modelos de Perceptrón Individual y Multicapas
Capítulo 4: Autocodificadores, Máquinas Restringidas de Boltzmann
Capítulo 5: Diseño Experimental y Heurísticas
No hay comentarios:
Publicar un comentario