Aprendizaje automático

El aprendizaje automático (ML) es un subconjunto de la inteligencia artificial. Se centra en el estudio de algoritmos informáticos que mejoran automáticamente por sí mismos, a través de la experiencia. Estos algoritmos se utilizan en una gran variedad de aplicaciones diferentes, desde visión por computadora hasta optimizaciones matemáticas. Los algoritmos de ML son necesarios cuando es difícil o no factible desarrollar algoritmos convencionales para realizar una tarea necesaria.

Los cuatro tipos principales de ML incluyen:

Algoritmos de aprendizaje automático supervisados ​​que pueden aplicar lo que ya se ha aprendido en situaciones anteriores a nuevos datos utilizando ejemplos etiquetados para predecir posibles eventos futuros.
Los algoritmos de aprendizaje automático no supervisados ​​se utilizan cuando la información utilizada para entrenar el modelo no está clasificada ni etiquetada. El aprendizaje no supervisado puede inferir una función para describir una estructura oculta a partir de datos no etiquetados. Del mismo modo, el sistema no tiene la intención de determinar la salida correcta, sino que explora los datos y puede extraer inferencias de conjuntos de datos para describir estructuras ocultas a partir de datos no etiquetados.
Los algoritmos de aprendizaje automático semi-supervisados ​​se encuentran entre el aprendizaje supervisado y el no supervisado. Utilizan datos etiquetados y no etiquetados para el entrenamiento, sesgándose hacia datos no etiquetados. El aprendizaje semi-supervisado se selecciona cuando los datos etiquetados adquiridos requieren recursos calificados y apropiados para entrenar / aprender de eso. De lo contrario, la adquisición de datos sin etiquetar generalmente no necesita capital adicional.
Los algoritmos de aprendizaje automático de refuerzo son un método de aprendizaje que produce acciones y descubre errores a través de su entorno. Este método permite que el algoritmo comprenda automáticamente el comportamiento dentro de un contexto específico para maximizar su rendimiento. Se necesita una retroalimentación de recompensa para que el agente entienda qué acción es mejor, y esto se conoce como una señal de refuerzo.