Nota: (La definición que he encontrado para definir los Algorismos Machine Learning mas explicita para de finirlos valga la redundancia; (Los Algoritmos de Machine Learmin son el alma que impulsa el proceso de aprendizaje.) podemos predecir el resultado deseado aparir de los datos suministrados) .
Que son Algorismos-(ML)
-. Antes de enumerar los algoritmos un pequeño repaso los tipos, con un diagrama de flujo por aquello de que una imagen vale mas que mil palabras omitiere la parte de Neuronal Networks que lo haré en la sección Deep Learning
Aprendizaje supervisado :
En Machine Learning , el Aprendizaje Supervisado es una técnica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación). El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente.
- -. En este diagrama se aprecia claramente los Algoritmos de Regresión como (Regresión Linear) , (Regresión Regularización) , (Regresión Polynomical).
- -. Tenemos los Algoritmos de Clasification como (Decision Trees) , (Naive Bayes) , (Regresion Logistic) , (SVM) , (K-NN).
Aprendizaje no supervisado:
-. Aprendizaje no supervisado es un método de Aprendizaje Automático donde un modelo se ajusta a las observaciones. Se distingue del Aprendizaje supervisado por el hecho de que no hay un conocimiento a priori. En el aprendizaje no supervisado, un conjunto de datos de objetos de entrada es tratado. Así, el aprendizaje no supervisado típicamente trata los objetos de entrada como un conjunto de variables aleatorias, siendo construido un modelo de densidad para el conjunto de datos.
-. El aprendizaje no supervisado se puede usar en conjunto con la Inferencia bayesiana para producir probabilidades condicionales (es decir, aprendizaje supervisado) para cualquiera de las variables aleatorias dadas. El Santo Grial del aprendizaje no supervisado es la creación de un código factorial de los datos, esto es, un código con componentes estadísticamente independientes. El aprendizaje supervisado normalmente funciona mucho mejor cuando los datos iniciales son primero traducidos en un código factorial.
-. El aprendizaje no supervisado también es útil para la compresión de datos: fundamentalmente, todos los algoritmos de compresión dependen tanto explícita como implícitamente de una distribución de probabilidad sobre un conjunto de entrada.
-. Aprendizaje semisupervisado, este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.
- -. En el diagrama se aprecia claramente los Algoritmos de Reducion de Dimensionality como los: (PCA) , (LDA) .
- -. En esta otra parte del diagrama vemos claramente los Algoritmos de Clustering como (Agrupamiento Gaussiano) , (K-Means) , (AGNES) , (MeanShift) , (DBSCAN) , (K-Modes).
- -. Finalmente en diagrama tenemos los Algoritmos de Reglas Learning, (Eclat) , (Apriori) ,
- (F-P Grawth Algoritmos) .
Aprendizaje por refuerzo :
-. El aprendizaje por refuerzo o aprendizaje reforzado (reinforcement learning) es un área del aprendizaje automático inspirada en la psicología conductista, cuya ocupación es determinar qué acciones debe escoger un agente de software en un entorno dado con el fin de maximizar alguna noción de «recompensa» o premio acumulado.
-. El problema, por su generalidad, se estudia en muchas otras disciplinas, como la teoría de juegos, teoría de control, investigación de operaciones, teoría de la información, la optimización basada en la simulación, estadística y algoritmos genéticos. En otros campos de investigación, donde se estudian los métodos de aprendizaje de refuerzo, se lo conoce como programación dinámica aproximada.
-. El aprendizaje por refuerzo difiere del estándar de aprendizaje supervisado en el que los pares de entradas / salidas correctas nunca se presentan, ni acciones subóptimas corregidas explícitamente. Además, hay un enfoque en el rendimiento en línea, que consiste en encontrar un equilibrio entre la exploración (de un territorio desconocido) y explotación (de los conocimientos actuales).
- -. En este diagrama se aprecia claramente los Algoritmos de Aprendizaje con Refuerzo tenemos. (SARSA) , (DQN) , (Dynamic Programming) , (Q-Learning) , y por ultimo un algoritmo usado en un Brazo Robotico (A3C) .
Recopilando:
Una pequeña explicación de tipos de los algoritmos de Machine Learnig y enumerar los algoritmos mas conocidos, agrego unos diagramas para dar una visión de conjunto de los Algoritmos de Machine Learning , dejando aparte los Algoritmos de Neuronal Networks los cuales los veremos en Deep Leaning que actual locomotora de la (AI) . La base de estos apuntes (Entorno-Moreluz) y algunos conceptos de Wikipedia.