Tipos de Aprendizaje Automático
Aprendizaje Supervisado
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): se necesita un conjunto de entrenamiento etiquetado con otros precios de casas para ello;
-
Clasificación (por ejemplo, clasificar correos electrónicos como spam/ham): se necesita un conjunto de entrenamiento etiquetado como spam/ham para ello.
Aprendizaje no supervisado
El aprendizaje no supervisado es una técnica de aprendizaje automático en la que el modelo se entrena con un conjunto de datos sin etiquetar.
Las principales tareas del aprendizaje no supervisado son agrupamiento, detección de anomalías y reducción de dimensionalidad.
Agrupamiento
Agrupa puntos de datos similares en clústeres sin etiquetas — por ejemplo, agrupar correos electrónicos sin saber si son spam o no.
Detección de anomalías
Identifica puntos de datos que se desvían de los patrones normales, como transacciones inusuales con tarjetas de crédito, sin necesidad de etiquetas de fraude.
Reducción de dimensionalidad
Reduce el número de características preservando la información importante — también sin 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.
El entrenamiento de un perro para traer objetos funciona de manera similar al aprendizaje por refuerzo: las acciones correctas obtienen una recompensa, las acciones incorrectas reciben una penalización, y traer la pelota con éxito otorga una recompensa mayor, reforzando el comportamiento deseado.
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
Can you explain the differences between supervised, unsupervised, and reinforcement learning?
Can you give more real-world examples of each type of machine learning?
What are the main advantages and disadvantages of each learning type?
Awesome!
Completion rate improved to 3.13Tipos de Aprendizaje Automático
Desliza para mostrar el menú
Aprendizaje Supervisado
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): se necesita un conjunto de entrenamiento etiquetado con otros precios de casas para ello;
-
Clasificación (por ejemplo, clasificar correos electrónicos como spam/ham): se necesita un conjunto de entrenamiento etiquetado como spam/ham para ello.
Aprendizaje no supervisado
El aprendizaje no supervisado es una técnica de aprendizaje automático en la que el modelo se entrena con un conjunto de datos sin etiquetar.
Las principales tareas del aprendizaje no supervisado son agrupamiento, detección de anomalías y reducción de dimensionalidad.
Agrupamiento
Agrupa puntos de datos similares en clústeres sin etiquetas — por ejemplo, agrupar correos electrónicos sin saber si son spam o no.
Detección de anomalías
Identifica puntos de datos que se desvían de los patrones normales, como transacciones inusuales con tarjetas de crédito, sin necesidad de etiquetas de fraude.
Reducción de dimensionalidad
Reduce el número de características preservando la información importante — también sin 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.
El entrenamiento de un perro para traer objetos funciona de manera similar al aprendizaje por refuerzo: las acciones correctas obtienen una recompensa, las acciones incorrectas reciben una penalización, y traer la pelota con éxito otorga una recompensa mayor, reforzando el comportamiento deseado.
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!
