Introducción al aprendizaje automático
El aprendizaje automático (ML) es un arte de desarrollar algoritmos sin programación explícita. En las últimas dos décadas, se han generado exabytes de datos y la mayoría de las industrias se han digitalizado por completo. Los algoritmos de aprendizaje automático (ML) utilizan esta información existente para desarrollar modelos predictivos y automatizar varias tareas que requieren mucho tiempo.
Veamos cómo los algoritmos ML difieren de los algoritmos programados basados en lógica:
Para un algoritmo basado en lógica, el flujo está bien definido y se conoce de antemano, sin embargo, hay varios escenarios de la vida real (como la clasificación de imágenes) en los que la lógica no se puede definir. En tales casos, el aprendizaje automático ha demostrado ser extremadamente útil. Las técnicas de aprendizaje automático toman parámetros de entrada y datos de salida de referencia esperados y generan lógica que luego se implementa en producción.
Componentes principales de la introducción al aprendizaje automático:
El aprendizaje automático se subdivide en las siguientes categorías:
1. Aprendizaje automático supervisado
El algoritmo de ML supervisado toma datos de entrada (características) junto con datos etiquetados de salida en la entrada. Se utilizan principalmente para tareas de clasificación y regresión.
Clasificación:
- Decisión de elegibilidad del préstamo : Automatice el proceso de aprobación del préstamo utilizando datos anteriores que tengan parámetros como edad, ingresos, educación, ciudad, etc. para decidir si el préstamo del solicitante puede ser aprobado.
Regresión:
- Predicción del precio de la vivienda : prediga el precio de la vivienda utilizando características como el tamaño de la casa, la edad de la casa, el número de habitaciones, la localidad, etc.
2. Aprendizaje automático sin supervisión
Las técnicas de ML no supervisadas no requieren ningún dato etiquetado y se utilizan para agrupar datos en diferentes segmentos según las características de entrada.
Ejemplo: para segregar un grupo de 100 personas en 5 grupos, las características de entrada pueden incluir intereses, pasatiempos, conexiones sociales, etc.
Aplicaciones de aprendizaje automático
En la última década, la introducción al aprendizaje automático ha transformado varias industrias, incluidas la salud, las redes sociales, el marketing digital, el sector inmobiliario, la logística, la cadena de suministro y la fabricación. Los primeros motores en estas industrias ya han cosechado ganancias significativas. Hay una creciente demanda de una fuerza laboral calificada con aprendizaje automático junto con conocimiento de dominio.
Las siguientes son algunas aplicaciones donde las técnicas de ML han jugado un papel importante:
-
Clasificación de correo no deseado:
Para clasificar el correo como spam / no spam utilizando respuestas etiquetadas con el uso de datos como el contenido del mensaje, el uso de vocabulario utilizado en correos electrónicos promocionales, dirección de correo electrónico del remitente, IP del remitente, uso de hipervínculos, puntuación de números, etc.
-
Detección de cáncer
ML se usa cada vez más en la atención médica para el diagnóstico e incluso para la detección del cáncer utilizando datos médicos de pacientes anteriores. Para la detección del cáncer de seno, el algoritmo de entrenamiento toma entradas como el tamaño del tumor, el radio, la curvatura y el perímetro como entrada. En la salida, tenemos la probabilidad de que el tumor sea maligno o no.
-
Predicción de ventas :
Un número cada vez mayor de proveedores está digitalizando sus registros, muchos de ellos han comenzado a usar herramientas de aprendizaje automático para predecir las ventas de un artículo en particular en una semana determinada para que puedan almacenar una cantidad suficiente de inventario. Introducción Las técnicas de aprendizaje automático tomarían aportes de las ventas del año anterior para diferentes artículos y encontrarían patrones para variaciones estacionales y darían predicciones específicas para la venta de ciertos artículos. También podemos identificar artículos de bajo rendimiento en términos de ventas.
-
Reconocimiento facial:
Probablemente haya observado al subir fotos en Facebook que etiqueta las caras de sus amigos con sus nombres. En la máquina de backend / algoritmos de aprendizaje profundo están haciendo este trabajo. La misma introducción fundamental a los principios del aprendizaje automático también se usa para el reconocimiento de rostros, donde las imágenes de entrada de la cara se alimentan y las redes neuronales se entrenan para clasificar estas imágenes.
-
Clasificación de texto:
Con el aumento de la población en línea, se ha convertido en obligatorio para las empresas de sitios web / redes sociales como Twitter, Facebook, Quora implementar sistemas basados en clasificación de texto. Twitter / Quora usa esto para identificar comentarios / publicaciones de odio. Algunas compañías de noticias también usan algoritmos de clasificación de texto para agrupar artículos de noticias que son similares.
-
Interpretación de audio / voz:
¿Alguna vez se preguntó cómo dispositivos como Alexa, Siri, Google se están volviendo inteligentes día a día en la comprensión de datos de audio en diferentes idiomas con diferentes acentos. Se entrena una gran cantidad de datos en estos dispositivos para la introducción a las técnicas de aprendizaje automático, lo que lo hace posible.
-
Sistemas de detección de fraude:
Varias empresas de comercio electrónico implementan sistemas de detección de fraude basados en ML para identificar a los clientes que crean pedidos falsos y también eliminan a los vendedores que venden productos falsificados en la plataforma. Las industrias bancarias y otras nuevas empresas de tecnología financiera confían enormemente en las técnicas de LD para detectar transacciones fraudulentas
-
Motores de recomendación
Netflix usa ML sin supervisión para recomendar películas, mientras que Amazon lo usa para recomendar productos para comprar.
Ventajas
-
Automatizar tareas que consumen mucho tiempo:
Las aplicaciones basadas en ML han automatizado varias tareas, como la toma de decisiones de bajo nivel, entrada de datos, llamadas telefónicas, procesos de aprobación de préstamos.
-
Ahorro de costos:
Una vez que el algoritmo se desarrolla y lo pone en producción, puede causar un ahorro significativo de costos ya que el trabajo humano y la toma de decisiones son mínimos.
-
Tiempo de respuesta:
Para muchas aplicaciones, el tiempo total es de suma importancia. ML ha podido reducir el tiempo en dominios como reclamos de seguros de automóviles donde el usuario carga imágenes y se calcula el monto del seguro. También ha ayudado a las empresas de comercio electrónico a manejar las devoluciones del inventario vendido.
-
Toma de decisiones basada en datos:
No solo las empresas, sino que muchos gobiernos confían en el LD para tomar decisiones al decidir en qué proyectos invertir y cómo utilizar de manera óptima los recursos existentes.
Desventajas
-
Los algoritmos de ML pueden estar sesgados:
Muchas veces, los datos de entrada al algoritmo ML están sesgados a un género específico, raza, país, casta, etc. Esto da como resultado que los algoritmos ML propaguen sesgos no deseados en el proceso de toma de decisiones. Esto se ha observado en algunas aplicaciones que implementaron un proceso de admisión de escuela / universidad similar a ML y recomendaciones de redes sociales.
-
Requerir datos grandes para lograr una precisión aceptable:
Si bien las personas pueden aprender fácilmente para conjuntos de datos pequeños, para algunas aplicaciones, la introducción al aprendizaje automático requiere grandes cantidades de datos para lograr una precisión suficiente.
-
Manipular la decisión del usuario:
Recientemente, Cambridge Analytica, una firma de análisis, utilizó algoritmos de ML en las redes sociales para apuntar e influir en la decisión de los votantes.
-
Actualmente, la Introducción al algoritmo de aprendizaje automático puede ser adecuada para el futuro:
La técnica de ML entrenada en el conjunto de datos actual puede no ser adecuada para el futuro ya que la distribución de entrada puede cambiar significativamente con el tiempo. Una de las contramedidas para superar esto es volver a entrenar el modelo periódicamente.
Artículos recomendados
Esta ha sido una guía de Introducción al aprendizaje automático. Aquí hemos discutido el aprendizaje automático con los puntos básicos y las características de Introducción al aprendizaje automático. También puede consultar los siguientes artículos:
- Técnicas de aprendizaje automático
- Aprendizaje automático vs red neuronal
- Carreras en el aprendizaje automático
- Diferencia entre Big Data Vs Machine Learning
- Aprendizaje automático de hiperparámetros