La IA (Aprendizaje automático) es la investigación lógica de los cálculos y modelos mensurables que los sistemas informáticos utilizan para realizar un determinado cometido sin utilizar directrices inequívocas, en función de los ejemplos y la inducción. Se considera un subconjunto del razonamiento hecho por el hombre. Los cálculos de la IA ensamblan un modelo científico dependiente de la información de las pruebas, conocido como “preparación de la información”, a fin de establecer expectativas o elecciones sin ser expresamente modificado para llevar a cabo la tarea. Los cálculos de la IA se utilizan en una amplia gama de usos, por ejemplo, en el cribado de correo electrónico y la visión por computadora, donde es problemático o inviable elaborar manualmente un algoritmo para resolver la tarea

La IA está firmemente identificada con los conocimientos informáticos, que se centran en la creación de expectativas utilizando las computadoras. La investigación del avance numérico transmite técnicas, hipótesis y áreas de aplicación al campo de la IA. La minería de información es un campo de concentración dentro de la IA, y destaca el examen exploratorio de la información a través del aprendizaje sin ayuda. En su aplicación a cuestiones comerciales, la IA se alude además a la investigación clarividente.

Conexión con la minería de datos

La IA y la minería de datos utilizan frecuentemente técnicas similares y abarcan esencialmente las mismas cosas, pero mientras que la IA se centra en la expectativa, a la luz de las propiedades realizadas que se obtienen de la información de la preparación, la minería de datos se centra en la revelación de propiedades (ya) oscuras en los datos (esta es la aventura de examen de la revelación de aprendizaje en las bases de datos). La minería de información utiliza muchas técnicas de IA, aunque con diversos objetivos; por otra parte, la IA también utiliza estrategias de minería de información como “aprendizaje sin ayuda” o como una empresa de preprocesamiento para mejorar la exactitud de los estudiantes. Una parte importante del desorden entre estas dos esferas se debe a las presunciones esenciales con las que trabajan: en la IA, la ejecución se evalúa normalmente en relación con la capacidad de imitar la información conocida, mientras que en la divulgación del aprendizaje y la minería de la información (KDD) la empresa clave es la revelación de datos ya oscuros. Evaluada con respecto a los datos conocidos, una técnica ignorante (sin ayuda) será efectivamente superada por otras estrategias reguladas, mientras que en una tarea normal de KDD, las técnicas dirigidas no pueden utilizarse debido a la inaccesibilidad de los datos preparados.


Conexión con la mejora

La IA también tiene conexiones privadas con la mejora: muchos temas de aprendizaje automático se consideran como la minimización de algunos trabajos desafortunados en un conjunto de modelos preparados. Las capacidades para el infortunio expresan la incoherencia entre las expectativas del modelo que se está preparando y los casos de problemas genuinos (por ejemplo, en orden, es necesario permitir nombres para los sucesos, y los modelos se preparan para prever con precisión las marcas preasignadas de muchos modelos). La distinción entre los dos campos surge del objetivo de la especulación: mientras que los cálculos de avance pueden limitar la desgracia en un conjunto de preparación, a la IA le preocupa limitar la desgracia en las muestras ocultas.

Conexión con las mediciones

La IA y las percepciones son campos firmemente relacionados en cuanto a estrategias, pero inconfundibles en su objetivo central: las mediciones sacan deducciones de la población a partir de un ejemplo, mientras que la IA encuentra patrones clarividentes generalizables. Como indicó Michael I. Jordan, los pensamientos de la IA, desde las normas metodológicas hasta los dispositivos hipotéticos, han tenido una larga prehistoria en las estadísticas. Además, recomendó el término ciencia de los datos como marcador de posición para llamar al campo general hasta que apareciera un término más apropiado

Leo Breiman reconoció dos estándares de visualización de hechos: el modelo de datos y el modelo algorítmico, en el que “modelo algorítmico” significa más o menos los cálculos de la IA como un bosque arbitrario.

Unos pocos analistas han adoptado estrategias de la IA, impulsando un campo conjunto que llaman aprendizaje medible.
Modelos

Realizar la IA incluye hacer un modelo, el cual se prepara con alguna información preparada y después puede procesar información extra para hacer expectativas. Se han utilizado y consultado diferentes tipos de modelos para los marcos de la IA.

Redes neuronales artificiales

Las redes neuronales artificiales son un conjunto de centros interconectados, que se asemejan al enorme sistema de neuronas de un cerebro. Aquí, cada centro de la rotonda habla a una neurona falsa y cada perno habla a una asociación desde el rendimiento de una neurona falsa a la contribución de otra.

Las redes neuronales artificiales (RNA), o marcos de conexión, son marcos de procesamiento enigmáticamente animados por los sistemas neuronales naturales que establecen los cerebros de las criaturas. Estos marcos “aprenden” a realizar tareas pensando en modelos, en su mayor parte sin ser modificados con ninguna regla explícita.

Una RNA es un modelo dependiente de un conjunto de unidades o centros asociados llamados “neuronas artificiales”, que modelan libremente las neuronas de una mente orgánica. Cada asociación, similar a los neurotransmisores de una mente natural, puede transmitir datos, una “señal”, empezando por una neurona falsa y luego por la siguiente. Una neurona falsa que recibe una señal puede procesarla y después señalar neuronas artificiales adicionales asociadas a ella. De manera similar a las ejecuciones de las RNA, la señal en una asociación entre neuronas falsas es un número genuino, y el rendimiento de cada neurona falsa se registra por alguna capacidad no directa del conjunto de sus fuentes de datos. Las asociaciones entre neuronas falsas se denominan “bordes”. Las neuronas y bordes falsos suelen tener un peso que cambia a medida que continúa el aprendizaje. El peso aumenta o disminuye la calidad del signo en una asociación. Las neuronas artificiales pueden tener un borde con el objetivo final de que la señal sea posiblemente enviada si el total de la señal cruza ese borde. A menudo, las neuronas falsas se recogen en capas. Varias capas pueden realizar varios tipos de cambios en sus fuentes de información. Las señales viajan desde la capa principal (la capa de información), hasta la última capa (la capa de rendimiento), tal vez a raíz de navegar por las capas en diferentes ocasiones.

El primer objetivo del enfoque de la RNA fue abordar los problemas de manera similar a como lo haría un cerebro humano. Sea como fuere, después de algún tiempo, la consideración se trasladó a realizar emprendimientos explícitos, provocando desviaciones de la ciencia. Los sistemas neuronales falsificados se han utilizado en una variedad de tareas, entre ellas la visión de PC, el reconocimiento del discurso, la interpretación de máquinas, la separación de la organización interpersonal, el juego de mesa y de computadora y la determinación reconstituyente.

El aprendizaje profundo comprende varias capas envueltas en un sistema neural falsificado. Esta metodología trata de mostrar la manera en que el cerebro humano procesa la luz y el sonido en la visión y el oído. Algunos usos eficaces del aprendizaje profundo son la visión por computadora y el reconocimiento del discurso.

Árboles de decisión

El aprendizaje de los árboles de decisión utiliza un árbol de elección como modelo clarividente para pasar de las percepciones sobre una cosa (habladas en las ramas) a las decisiones sobre el valor objetivo de la cosa (habladas en las hojas). Es uno de los enfoques de visualización clarividente utilizados en las percepciones, la minería de información y la IA. Los modelos de árboles de decisión en los que la variable objetiva puede tomar una disposición discreta de cualidades se denominan árboles de caracterización; en estas estructuras de árbol, las hojas hablan a los nombres de clase y las ramas hablan a las conjunciones de resaltes que conducen a esas marcas de clase. Los árboles de decisión en los que la variable objetiva puede tomar estima sin parar (comúnmente números genuinos) se denominan árboles de recaída. En una investigación de elección, un árbol de decisión puede utilizarse para hablar externamente y expresamente de elecciones y liderazgo básico. En la minería de información, un árbol de elección retrata la información, pero el árbol de disposición posterior puede ser una contribución al liderazgo básico.

Máquinas de vectores de apoyo

Las máquinas de vectores de apoyo (SVM), también llamadas sistemas de vectores de ayuda, son técnicas de aprendizaje administrado relacionadas que se utilizan para agrupar y reincidir. Dada la gran cantidad de modelos preparados, cada uno de ellos tiene su lugar con una de las dos clasificaciones: y un cálculo de preparación de SVM fabrica un modelo que predice si otro modelo cae en una clase u otra. Un cálculo preparatorio de SVM es un clasificador directo no probabilístico y doble, a pesar de que existen técnicas, por ejemplo, la escala de Platt para utilizar SVM en un entorno de caracterización probabilístico. A pesar de realizar una agrupación recta, las SVM pueden realizar eficazmente una caracterización no directa utilizando lo que se conoce como el truco de la parte, mapeando de forma verificable sus contribuciones a los espacios de elementos de alta dimensión.

Sistemas bayesianos

Un sistema bayesiano, un modelo gráfico no cíclico organizado o coordinado de convicción es un modelo gráfico probabilístico que habla de muchos factores arbitrarios y su libertad restrictiva con un diagrama no cíclico coordinado (DAG). Por ejemplo, un sistema Bayesiano podría hablar de las conexiones probabilísticas entre enfermedades y efectos secundarios. Dadas las manifestaciones, el sistema puede ser utilizado para calcular las probabilidades de la cercanía de diferentes enfermedades. Existen cálculos efectivos que realizan la deducción y el aprendizaje. Los sistemas bayesianos que modelan agrupaciones de factores, similares a los signos del discurso o a las sucesiones de proteínas, se denominan sistemas bayesianos dinámicos. Las especulaciones de los sistemas bayesianos que pueden hablar y ocuparse de cuestiones de elección bajo la vulnerabilidad se denominan esquemas de impacto.

Algoritmos genéticos

Un cálculo hereditario (GA) es un cálculo de persecución y un procedimiento heurístico que emula el procedimiento de elección habitual, utilizando técnicas, por ejemplo, de transformación e híbridos para producir nuevos genotipos con la expectativa de descubrir grandes respuestas para una cuestión determinada. En la IA se utilizaron cálculos hereditarios durante los decenios de 1980 y 1990. Por otra parte, se han utilizado estrategias de IA para mejorar la presentación de los algoritmos hereditarios y de transformación.

Preparación de modelos

Normalmente, los modelos de IA requieren una gran cantidad de información con el objetivo de que funcionen bien. En su mayor parte, cuando se prepara un modelo de IA, se necesita reunir una enorme prueba delegada de información de un conjunto de preparación. La información del conjunto de preparación puede ser tan diferente como un corpus de contenido, una acumulación de imágenes y la información recogida de clientes singulares de asistencia. La preparación es algo a lo que hay que prestar atención cuando se prepara un modelo de IA.

Aprendizaje federado

El aprendizaje unificado es otra forma de abordar la preparación de modelos de IA que descentralizan el procedimiento de preparación, considerando que la protección de los clientes se mantiene al no esperar enviar su información a un servidor concentrado. Esto también aumenta la eficacia al descentralizar el procedimiento de preparación a numerosos dispositivos . Por ejemplo, Gboard utiliza la IA unida para preparar modelos de expectativa de preguntas de búsqueda en los teléfonos celulares de los clientes sin enviar consultas individuales a Google.