Aprendizaje automático

El aprendizaje automático ( ing.  machine learning , ML) es una clase de métodos de inteligencia artificial , cuyo rasgo característico no es una solución directa a un problema, sino el aprendizaje mediante la aplicación de soluciones a muchos problemas similares. Para la construcción de dichos métodos, se utilizan los medios de estadística matemática , métodos numéricos , análisis matemático , métodos de optimización , teoría de probabilidad , teoría de gráficos , diversas técnicas para trabajar con datos en forma digital .

Hay dos tipos de entrenamiento:

  1. El aprendizaje de casos , o aprendizaje inductivo , se basa en descubrir patrones empíricos en los datos .
  2. El aprendizaje deductivo implica la formalización del conocimiento de los expertos y su transferencia a una computadora en forma de base de conocimiento .

El aprendizaje deductivo suele estar referido al campo de los sistemas expertos , por lo que los términos aprendizaje automático y aprendizaje de casos pueden considerarse sinónimos.

Muchos métodos de aprendizaje inductivo se han desarrollado como una alternativa a los enfoques estadísticos clásicos. Muchos métodos están estrechamente relacionados con la extracción de información ( English  information extract , information retrieval ), data mining ( minería de datos ).

Enunciado general del problema del aprendizaje por precedentes

Hay muchos objetos (situaciones) y muchas respuestas posibles (respuestas, reacciones). Existe cierta dependencia entre las respuestas y los objetos, pero se desconoce. Solo se conoce un conjunto finito de precedentes  : pares "objeto, respuesta", llamado muestra de entrenamiento . Con base en estos datos, se requiere restaurar la dependencia implícita, es decir, construir un algoritmo capaz de producir una respuesta clasificatoria suficientemente precisa para cualquier posible objeto de entrada. Esta dependencia no se expresa necesariamente de forma analítica, y aquí las redes neuronales implementan el principio de una solución formada empíricamente. Una característica importante en este caso es la capacidad del sistema de aprendizaje para generalizar, es decir, para responder adecuadamente a datos que van más allá de los límites de la muestra de entrenamiento existente. Para medir la precisión de las respuestas, se introduce un funcional de calidad estimada .

Esta formulación es una generalización de los problemas clásicos de aproximación de funciones . En los problemas de aproximación clásicos, los objetos son números reales o vectores. En problemas reales aplicados, los datos de entrada sobre los objetos pueden ser incompletos, imprecisos, no numéricos, heterogéneos. Estas características conducen a una amplia variedad de métodos de aprendizaje automático.

Métodos de aprendizaje automático

La sección de aprendizaje automático, por un lado, se formó como resultado de la división de la ciencia de las redes neuronales en métodos para entrenar redes y tipos de topologías de su arquitectura, por otro lado, absorbió los métodos de estadística matemática. [un] . Los métodos de aprendizaje automático que se enumeran a continuación se basan en el uso de redes neuronales, aunque existen otros métodos basados ​​en la muestra de entrenamiento, por ejemplo, el análisis discriminante, que opera sobre la varianza y covarianza generalizadas de las estadísticas observadas, o clasificadores bayesianos. Los tipos básicos de redes neuronales, como el perceptrón y el perceptrón multicapa (así como sus modificaciones), se pueden entrenar tanto con un maestro como sin un maestro, con refuerzo y autoorganización. Pero algunas redes neuronales y la mayoría de los métodos estadísticos se pueden atribuir a solo uno de los métodos de aprendizaje. Por lo tanto, si necesita clasificar los métodos de aprendizaje automático según el método de aprendizaje, entonces sería incorrecto atribuir redes neuronales a un determinado tipo, sería más correcto escribir algoritmos de aprendizaje de redes neuronales.

  1. Red neuronal artificial
    1. Aprendizaje profundo
  2. Método de corrección de errores
  3. Método de propagación hacia atrás
  4. Máquinas de vectores soporte
  1. Sistema de refuerzo alfa
  2. Sistema de refuerzo gamma
  3. Método del vecino más cercano
  1. Algoritmo Genético .

Problemas clásicos resueltos con aprendizaje automático

Tipos de insumos de entrenamiento

Tipos de funcionales de calidad

Aplicaciones prácticas

El propósito del aprendizaje automático es la automatización parcial o completa de la resolución de problemas profesionales complejos en diversas áreas de la actividad humana.

El aprendizaje automático tiene una amplia gama de aplicaciones :

El alcance del aprendizaje automático está en constante expansión. La informatización generalizada conduce a la acumulación de enormes cantidades de datos en ciencia, producción, negocios, transporte y atención médica. Los problemas de previsión, control y toma de decisiones que surgen en este caso se reducen a menudo al aprendizaje de los precedentes. Anteriormente, cuando dichos datos no estaban disponibles, estas tareas no se establecían en absoluto o se resolvían mediante métodos completamente diferentes.

Véase también

Notas

Comentarios

  1. ↑ Según el conocido especialista en aprendizaje automático Jan LeCun , el aprendizaje automático es la reproducción del pensamiento basada en redes neuronales artificiales [1]

Notas al pie

  1. ↑ LeCun, 2021 , pág. 78.

Literatura

Enlaces

  Ir al elemento de Wikidata  diccionarios y enciclopedias
En catálogos bibliográficos