Machine learning que es y para que sirve

Machine learning que es y para que sirve

Cómo funciona el aprendizaje automático

Este artículo explica el aprendizaje profundo frente al aprendizaje automático y cómo encajan en la categoría más amplia de la inteligencia artificial. Conozca las soluciones de aprendizaje profundo que puede crear en Azure Machine Learning, como la detección de fraudes, el reconocimiento facial y de voz, el análisis de sentimientos y la previsión de series temporales.

Mediante el uso de técnicas de aprendizaje automático y aprendizaje profundo, puede crear sistemas informáticos y aplicaciones que realicen tareas que suelen asociarse con la inteligencia humana. Estas tareas incluyen el reconocimiento de imágenes, el reconocimiento del habla y la traducción de idiomas.

Ahora que tiene una visión general del aprendizaje automático frente al aprendizaje profundo, vamos a comparar las dos técnicas. En el aprendizaje automático, el algoritmo necesita que se le diga cómo hacer una predicción precisa consumiendo más información (por ejemplo, realizando una extracción de características). En el aprendizaje profundo, el algoritmo puede aprender cómo hacer una predicción precisa a través de su propio procesamiento de datos, gracias a la estructura de la red neuronal artificial.

El entrenamiento de los modelos de aprendizaje profundo suele requerir grandes cantidades de datos de entrenamiento, recursos informáticos de alta gama (GPU, TPU) y un mayor tiempo de entrenamiento. En situaciones en las que no se dispone de ninguno de ellos, se puede acortar el proceso de entrenamiento mediante una técnica conocida como aprendizaje de transferencia.

Aplicaciones de aprendizaje automático

El aprendizaje automático se utiliza en los motores de búsqueda de Internet, en los filtros de correo electrónico para clasificar el spam, en los sitios web para hacer recomendaciones personalizadas, en el software bancario para detectar transacciones inusuales y en muchas aplicaciones de nuestros teléfonos, como el reconocimiento de voz.

  Que master hacer despues de magisterio

La tecnología tiene muchas más aplicaciones potenciales, algunas con más interés que otras. Los desarrollos futuros podrían ayudar a la economía del Reino Unido y tendrán un impacto significativo en la sociedad. Por ejemplo, el aprendizaje automático podría proporcionarnos "asistentes personales" fácilmente disponibles para ayudarnos a gestionar nuestras vidas, podría mejorar drásticamente el sistema de transporte mediante el uso de vehículos autónomos, y el sistema sanitario, mejorando el diagnóstico de enfermedades o personalizando el tratamiento. El aprendizaje automático también podría utilizarse para aplicaciones de seguridad, como el análisis de las comunicaciones por correo electrónico o el uso de Internet. Las implicaciones de estas y otras aplicaciones de la tecnología deben considerarse ahora y tomar medidas para garantizar que los usos sean beneficiosos para la sociedad.

Ejemplos de aprendizaje automático

El aprendizaje automático es un subconjunto de la inteligencia artificial (IA). Se centra en enseñar a los ordenadores a aprender de los datos y a mejorar con la experiencia, en lugar de ser programados explícitamente para ello. En el aprendizaje automático, los algoritmos se entrenan para encontrar patrones y correlaciones en grandes conjuntos de datos y tomar las mejores decisiones y predicciones basadas en ese análisis. Las aplicaciones de aprendizaje automático mejoran con el uso y se vuelven más precisas cuantos más datos tienen a su alcance. Las aplicaciones del aprendizaje automático están a nuestro alrededor: en nuestros hogares, en nuestros carros de la compra, en nuestros medios de entretenimiento y en nuestra asistencia sanitaria.El aprendizaje automático explicado

  Como funcionan los futuros en binance

¿Cómo se relaciona el aprendizaje automático con la IA? El aprendizaje automático -y sus componentes de aprendizaje profundo y redes neuronales- encajan como subconjuntos concéntricos de la IA. La IA procesa datos para tomar decisiones y hacer predicciones. Los algoritmos de aprendizaje automático permiten a la IA no solo procesar esos datos, sino utilizarlos para aprender y hacerse más inteligente, sin necesidad de ninguna programación adicional. La inteligencia artificial es la base de todos los subconjuntos de aprendizaje automático que se encuentran debajo de ella. Dentro del primer subconjunto se encuentra el aprendizaje automático; dentro de este se encuentra el aprendizaje profundo, y luego las redes neuronales dentro de este.Diagrama de la relación entre la IA y el aprendizaje automático

Métodos de aprendizaje automático

Aprendizaje no supervisadoMientras que el aprendizaje supervisado requiere que los usuarios ayuden a la máquina a aprender, el aprendizaje no supervisado no utiliza los mismos conjuntos de entrenamiento y datos etiquetados. En su lugar, la máquina busca patrones menos obvios en los datos. Este tipo de aprendizaje automático es muy útil cuando se necesita identificar patrones y utilizar los datos para tomar decisiones. Los algoritmos más comunes utilizados en el aprendizaje no supervisado son los modelos de Markov oculto, k-means, la agrupación jerárquica y los modelos de mezcla gaussiana. En lugar de ello, se proporciona a la máquina información sobre los prestatarios y ésta busca patrones entre ellos antes de agruparlos en varios conjuntos. Entre las aplicaciones más comunes se encuentran el clustering, que crea un modelo que agrupa objetos en función de propiedades específicas, y la asociación, que identifica las reglas existentes entre los clusters. Algunos ejemplos de uso son:

  Por que no puedo ver las publicaciones en instagram
Subir
Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad