Nota: Lo primero un repaso, una recopilación, de los conceptos básicos del Machine-Learning Aprendizaje-Automático (ML).
Definiendo Machine Learning:
-. El Machine Learning (Aprendizaje Automático) es un rama de la Inteligencia Artificial que busca resolver el cómo construir programas de computadora que mejoran automáticamente adquiriendo experiencia. Esta definición indica que el programa que se crea con ML no necesita que el programador indique explícitamente las reglas que debe seguir para lograr su tarea si no que este mejora automáticamente. Grandes volúmenes de datos están surgiendo de diversas fuentes en los últimos años y el Aprendizaje Automático (ML). Se vale de algoritmos que pueden procesar Gygas y/o Terabytes y obtener resultados útiles.
Tipos de Machine Learning:
-. Las aplicaciones del Machine Learning se consiguen a través de los Algoritmos . Existen tres categorías principales de algoritmos para el aprendizaje automático:
Aprendizaje-Supervisado:
-. El Aprendizaje Supervisado es uno de los tipos de machine learning que se basan en la generación de conocimiento a través del análisis de datos etiquetados. (labels) .Tenemos dos sub tipos son los que se conocen como métodos de Clasificación y Regresión . La clasificación es en esencia un análisis predictivo que tiene la finalidad de estimar las clases categóricas de un conjunto de datos basados en un patrón binario o multi-clase. (valores discretos, no ordenados o pertenencia a grupos).
-. Los algoritmos más utilizados en Aprendizaje Supervisado son :
- Linear Regression , Logistic Regression , Neural Networks , Deep Learning, Bayesian Classifiers, Support Vector Machines, Decision Tress and , k-Nearest Neighbors.
Aprendizaje no Supervisado:
-. El aprendizaje no supervisado es otro tipo de machine learning en la que se incluyen conjuntos de datos sin etiquetar para realizar análisis y clasificaciones a pesar de que no se conoce con anticipación la estructura que poseen los datos. El aprendizaje se logra mediante el análisis de la data que aún no posee resultados .
-. Los algoritmos más importantes de Aprendizaje No supervisado son :
- K-means , PCA (Principal component analysis) , Algoritmos de Clustering Análisis de Componentes Principales , Análisis de Componentes Independientes
Aprendizaje Reforzado:
-. El aprendizaje reforzado es un modelo de machine learning diferente a los anteriores. Este tipo de análisis forma parte de lo que conocemos como aprendizaje profundo o deep learning. En el se tiene como objetivo principal la construcción de modelos que incrementen el rendimiento en base al análisis de resultados ya procesados. El marco ideal de este método de aprendizaje es que cada resultado produzca una recompensa. A medida de que se generan estas recompensas el modulo de aprendizaje debe incorporar o ajustar la información de su comportamiento para decidir sobre acciones futuras, buscando obtener una recompensa
máxima .
-. Los modelo más utilizados aprendizaje reforzado son :
- Q-Learning basado en Procesos de Decisión de Markov (MDP: Markov Decision Process)
Nota: Y después de esta recopilación pasemos a las Aplicaciones.
Aplicaciones-Machine-Learning
-. Las principales aplicaciones de machine learning tienen que ver con el análisis del Big Data, una tarea que sería inabarcable por humanos y que los sistemas informáticos pueden, no obstante, realizar de forma rápida.
Reconocimiento de Imágenes:
-. Se utilizan diversos algoritmos para poder comprender imágenes sobre todo Deep Learning, encontrar algo en particular o agrupar zonas. Sabemos que las imágenes son conjuntos de pixeles continuos y cada uno contiene información del color que tiene que “iluminar” (por ejemplo RGB). Los ejemplos comunes son los de OCR Reconocimiento de Caracteres ópticos, es decir, encontrar letras, agruparlas, encontrar espacios y poder descifrar textos y el otro ejemplo es el de detectar personas en imágenes, presencia humana en cámaras de seguridad o más recientemente se utilizan redes neuronales convolucionales para detectar rostros: reconocimiento facial,
Reconocimiento de Voz Procesamiento del Lenguaje Natural (NLP ):
-. Los algoritmos de Machine Learning pueden detectar a partir de las ondas de sonido que capta el micrófono de nuestro móvil o inclusive el del ordenador, y comprender las ordenes que indicamos para que los asistentes personales como Siri, Ok Google y Alexa nos faciliten cualquier actividad. Estos modelos pueden aprender a limpiar el ruido de fondo que con normalidad aparece en las comunicaciones, distinguir las pausas entre palabras y comprender las palabras de nuestro idioma para organizar las tareas que necesitemos. Parte de este reconocimiento de voz es posible gracias al entendimiento o procesamiento del Lenguaje Natural, (NLP ).
Clasificación:
-. Consiste en identificar a que Clase pertenece cada individuo de la población que estamos analizando. Se le asignará un valor discreto de tipo 1, 0 como en la clasificación de Spam o no. También podría ser clasificar si un tumor es benigno o no . Un ejemplo de Arbol de Decisión con Clasificación.
Predicción sobre datos:
-. La capacidad de análisis sobre conjuntos de datos de valores continuos que nos permiten desarrollar los modelos de Machine Learning nos permite intentar predecir con cierta efectividad los valores que obtendremos por parte de un conjunto de datos ingresados a un sistema y cuyo resultado, de momento, desconocemos. Se puede utilizar para predecir precios de inmuebles, alquileres, o la probabilidad de que ocurra algún evento utilizado con frecuencia con Regresión Lineal. Si lo que queremos hacer es Pronóstico de Series temporales, será mejor utilizar redes neuronales. Este tipo de modelos predictivos puede ser utilizado en estrategias de comercialización, para predecir los precios de productos o servicios e inclusive para estimar la probabilidad de que algún evento ocurra .
Vehículos autónomos:
-. Los modelos de reconocimiento en tiempo real que pueden ser creados gracias al Machine Learning son increíbles. Estos permiten que los coches se desplacen, fijen rutas y se conduzcan de forma autónoma analizando las imágenes del entorno. Estos algoritmos permiten detectar el movimiento cercano de otros vehículos para evitar choques e inclusive, puede predecir cuales serán las reacciones de otros conductores en tiempo real. Este tipo de aplicaciones de Machine Learning el ejemplo más tangible de esto lo podemos conseguir en los coches TESLA.
Recopilando:
Este resumen de que es (Definiendo) Mnachine Learning sus Tipos y los Algorismos mas utilizados,Cuáles son las aplicaciones actuales del Machine Learning, uno ejemplos entre otros muchos y cada pocos días te encuentra mas . La base de estos apuntes