Introducción a los tipos de algoritmos de aprendizaje automático
Los tipos de algoritmos de aprendizaje automático o los cálculos de IA son programas (matemática y lógica) que se modifican a sí mismos para funcionar mejor a medida que se les presenta más información. La "adaptación" de una parte de la IA implica que esos proyectos cambian la forma en que procesan la información después de un tiempo, al igual que las personas cambian la forma en que procesan la información mediante el aprendizaje. Por lo tanto, un aprendizaje automático o un cálculo de IA es un programa con un método particular para cambiar sus propios parámetros, dada la crítica sobre sus expectativas anteriores de creación de exposiciones sobre un conjunto de datos.
Todos los tipos de algoritmos de aprendizaje automático
Sus ciertas variedades de cómo caracterizar los tipos de algoritmos de aprendizaje automático aún pueden dividirse en clases según su motivación y las clasificaciones fundamentales son las siguientes:
- Aprendizaje supervisado
- Aprendizaje sin supervisión
- Aprendizaje semi-supervisado
- Aprendizaje reforzado
¿Qué es el aprendizaje supervisado?
Aprendizaje supervisado es, donde puede considerar que el aprendizaje es guiado por un instructor. Tenemos un conjunto de datos que funciona como educador y su trabajo es preparar el modelo o la máquina. Cuando el modelo se prepara, puede comenzar a conformarse con una expectativa o elección cuando se le da nueva información.
Ejemplo de aprendizaje supervisado:
- Obtiene muchas fotografías con datos sobre lo que hay en ellas y después de eso, entrena a un modelo para percibir nuevas fotografías.
- Usted tiene una gran cantidad de datos sobre los precios de las viviendas en función de su tamaño y ubicación, y los ingresa en el modelo y lo capacita, luego puede predecir el precio de otras casas en función de los datos que alimenta.
- si desea predecir que su mensaje es spam o no está basado en un mensaje anterior, puede predecir que un nuevo mensaje es spam o no.
El algoritmo de aprendizaje supervisado es el siguiente:
1) regresión lineal
La regresión lineal es valiosa para descubrir la conexión entre dos factores persistentes. Uno es un predictor o variable autónoma y el otro es una reacción o variable de barrio. Busca una relación medible, pero no una relación determinista. Se dice que la conexión entre dos factores es determinista en caso de que una variable pueda ser comunicada con precisión por la otra. Por ejemplo, utilizando la temperatura en grados Celsius, es concebible prever con precisión Fahrenheit. La relación fáctica no es precisa para decidir una conexión entre dos factores. Por ejemplo, conexión en algún lugar en el rango de altura y peso. La idea central es obtener una línea que se ajuste mejor a la información. La línea de mejor ajuste es aquella para la cual el error total del pronóstico (todos los enfoques de información) es tan pequeño como podría esperarse bajo las circunstancias. El error es la separación entre el punto y la línea de regresión.
2) Árboles de decisión
Un árbol de decisión es un dispositivo de ayuda para la toma de decisiones que utiliza un diagrama o modelo de decisiones similar a un árbol y sus posibles resultados, incluidos los resultados de eventos fortuitos, los costos de recursos y la utilidad. Explore la imagen para tener una idea de lo que se parece.
3) Clasificación ingenua de Bayes
Naive Bayes clasifica un grupo de clasificadores probabilísticos básicos que dependen de la aplicación de la teoría de Bayes con un fuerte (poco sofisticado) autogobierno de las características de Naive Bayes. Esta clasificación Algunos de los modelos certificables son:
Para marcar un correo electrónico como spam o no spam
Solicite una noticia sobre innovación, asuntos gubernamentales o deportes.
¿Verifica un toque de sustancia que imparte emociones positivas o sentimientos negativos?
Utilizado para la programación de reconocimiento facial.
4) Regresión logística
La regresión logística es un método factual innovador para demostrar un resultado binomial con al menos un factor informativo. Cuantifica la conexión entre la variable de barrio absoluta y al menos uno de los factores libres mediante la evaluación de probabilidades utilizando una capacidad logística, que es la apropiación logística combinada.
Normalmente, las regresiones se pueden usar en la vida real como:
Puntaje de crédito
La medida de la tasa de éxito del mercado o empresa
Para predecir los ingresos de cualquier empresa o producto.
¿Habrá un terremoto algún día?
5) Regresión de mínimos cuadrados ordinarios
Mínimos cuadrados es una estrategia para realizar regresión directa. La regresión directa es la tarea de ajustar una línea a través de muchos enfoques. Hay varios procedimientos potenciales para hacer esto, y el sistema de "mínimos cuadrados ordinarios" funciona así: puede dibujar una línea y, después de eso, para todos los centros de datos, medir el desprendimiento vertical entre el punto y la línea e incorporarlos. arriba; la línea ajustada sería el lugar donde este conjunto de particiones es tan escaso como podría ser normal a la luz de la situación actual.
¿Qué es el aprendizaje no supervisado?
El modelo aprende a través de la percepción y descubre estructuras en la información. Cuando el modelo recibe un conjunto de datos, en consecuencia descubre ejemplos y conexiones en el conjunto de datos al hacer agrupamientos en él. Lo que no puede hacer es agregar marcas al grupo, de manera similar a lo que no puede decir que sea una reunión de manzanas o mangos, sin embargo, aislará cada una de las manzanas de los mangos.
Supongamos que mostramos imágenes de manzanas, plátanos y mangos en el modelo, así que lo que hace, a la luz de ciertos ejemplos y conexiones, agrupa y divide el conjunto de datos en esos grupos. Actualmente, si se agrega otra información al modelo, la agrega a uno de los grupos hechos.
Ejemplo de aprendizaje no supervisado
- Aún tiene muchas fotografías de 6 personas sin datos sobre quién está en cuál y necesita aislar este conjunto de datos en 6 montones, cada uno con las fotografías de una persona.
- Tiene partículas, una parte de ellas son medicamentos y parte no lo son, sin embargo, no se da cuenta de cuál será cuál y necesita el cálculo para encontrar los medicamentos.
El algoritmo de aprendizaje no supervisado es el siguiente
Agrupamiento
La agrupación es una idea importante con respecto al aprendizaje sin ayuda. En su mayor parte, logra encontrar una estructura o ejemplo en una reunión de información no categorizada. Los cálculos de agrupamiento procesarán su información y descubrirán grupos (grupos) característicos en caso de que existan en la información. También puede modificar la cantidad de grupos que sus cálculos deben distinguir. Le permite alterar la granularidad de estas reuniones.
Hay varios tipos de agrupación que puede usar
- Selectivo (prorrateado)
- Modelo: K-means
- Aglomerativo
- Modelo: agrupación jerárquica
- Cubierta
- Modelo: Fuzzy C-Means
- Probabilístico
Tipos de algoritmos de agrupamiento
- Agrupación jerárquica
- K-significa agrupamiento
- K-NN (k vecinos más cercanos)
- Análisis de componentes principales
- Descomposición del valor solitario
- Análisis de componentes independientes
- Agrupación jerárquica
Agrupación jerárquica
La agrupación jerárquica es un cálculo que construye un orden jerárquico de grupos. Comienza con cada una de la información que se distribuye a su propio grupo. Aquí, dos grupos cercanos estarán en un grupo similar. Este cálculo se cierra cuando solo queda un grupo.
Agrupación K-means
K significa que es un cálculo de agrupamiento iterativo que lo alienta a ubicar el incentivo más notable para cada énfasis. Al principio, se elige el número ideal de grupos. En esta técnica de agrupamiento, debe agrupar la información que se centra en k reuniones. Una k más grande significa reuniones más pequeñas con mayor granularidad de manera similar. Una k inferior significa reuniones más grandes con menos granularidad.
El rendimiento del cálculo es una reunión de "nombres". Permite que la información apunte a una de las k reuniones. En la agrupación de k-medias, cada reunión se caracteriza por hacer un centroide para cada reunión. Los centroides son como el núcleo del grupo, que captura los focos más cercanos a ellos y los agrega al grupo.
La agrupación de K-mean caracteriza aún más dos subgrupos
- Agrupamiento aglomerativo
- Dendrograma
Agrupamiento aglomerativo
Este tipo de agrupación K-means comienza con un número fijo de racimos. Designa toda la información en un número exacto de grupos. Esta estrategia de agrupamiento no requiere el número de grupos K como información. El procedimiento de aglomeración comienza formando cada dato como un grupo solitario.
Esta estrategia utiliza alguna medida de separación, disminuye el número de racimos (uno en cada énfasis) al combinar el proceso. En conclusión, tenemos un grupo principal que contiene cada uno de los artículos.
Dendrograma
En la técnica de agrupación de Dendrogram, cada nivel hablará con un grupo concebible. La altura del dendrograma demuestra el grado de similitud entre dos racimos de unión. Cuanto más cerca de la base del procedimiento, se encuentran grupos progresivamente comparables, que es el hallazgo de la recolección del dendrograma que no es característico y, en su mayor parte, abstracto.
K-vecinos más cercanos
El vecino K más cercano es el más sencillo de todos los clasificadores de IA. Varía de otros procedimientos de IA, ya que no ofrece un modelo. Es un cálculo sencillo que almacena todos los casos accesibles y caracteriza nuevos ejemplos que dependen de una medida de semejanza.
Funciona muy bien cuando hay una separación entre modelos. La tasa de aprendizaje es moderada cuando el conjunto de preparación es enorme y la separación no es trivial.
Análisis de componentes principales
En caso de que necesite un espacio de mayor dimensión. Tienes que elegir una razón para ese espacio y solo las 200 puntuaciones más significativas de esa premisa. Esta base se conoce como componente principal. El subconjunto que selecciona es otro espacio de poco tamaño en contraste con un espacio único. Mantiene sin embargo gran parte de la naturaleza multifacética de la información como podría esperarse.
¿Qué es el aprendizaje por refuerzo?
Es la capacidad de un especialista para colaborar con la tierra y descubrir cuál es el mejor resultado. Persigue la idea del golpe y la técnica preliminar. El operador es remunerado o castigado con un punto por una respuesta correcta o fuera de la base, y en base a los enfoques de recompensa positiva recogidos, el modelo se entrena a sí mismo. Además, una vez preparado, se prepara para prever la nueva información que se le presenta.
Ejemplo de aprendizaje por refuerzo
- La visualización de anuncios, según el usuario, no le gusta, se optimiza a largo plazo
- Conozca el presupuesto de anuncios utilizado en tiempo real
- refuerzo inverso aprendiendo a conocer mejor a los clientes no les gusta
¿Qué es el aprendizaje semi-supervisado?
Tipo de aprendizaje semi-supervisado, el cálculo se prepara sobre una mezcla de información con nombre y sin etiqueta. Normalmente, esta combinación contendrá una cantidad limitada de información con nombre y mucha información sin etiquetar. El método fundamental incluido es que primero, el ingeniero de software agrupará información comparable utilizando un cálculo de aprendizaje sin ayuda y luego utilizará la información nombrada actual para nombrar el resto de la información no etiquetada. Las instancias de uso ordinario de este tipo de cálculo tienen una propiedad típica entre ellas: la obtención de información no etiquetada es generalmente modesta mientras que nombrar dicha información es excesivamente costoso. Naturalmente, uno puede imaginar los tres tipos de cálculos de aprendizaje como Supervisado al darse cuenta de que un estudiante está bajo la supervisión de un instructor tanto en el hogar como en la escuela, sin supervisión al darse cuenta de que un estudiante debe tener sentido de una idea y Semi-Supervisado darse cuenta de dónde El educador muestra un par de ideas en clase y realiza consultas como tareas escolares que dependen de ideas comparables.
Ejemplo de aprendizaje semi-supervisado
Es sobresaliente que más información = modelos de mejor calidad en el aprendizaje profundo (hasta un punto específico de confinamiento claramente, pero la mayoría de las veces no tenemos tanta información). Sea como fuere, obtener información marcada es costoso. En caso de que necesite preparar un modelo para distinguir a los animales alados, puede configurar muchas cámaras para tomar fotografías de las aves. Eso es generalmente modesto. Contratar personas para marcar esas fotos es costoso. Considere la posibilidad de tener una gran cantidad de imágenes de animales alados, sin embargo, solo contrate a las personas para marcar un pequeño subconjunto de las fotos. Resultó que, en lugar de simplemente entrenar a los modelos en el subconjunto marcado, puede entrenar previamente el modelo en todo el conjunto de entrenamiento, antes de ajustarlo con el subconjunto nombrado, y muestra signos de ejecución de mejora en estas líneas. Eso es aprendizaje semi-supervisado. Guarda tu dinero en efectivo.
Conclusión
Existen muchos tipos de algoritmos de aprendizaje automático y, en función de diferentes condiciones, tenemos que usar el algoritmo de mejor ajuste para obtener el mejor resultado. Hay muchos algoritmos que encuentran la mejor precisión de cada tipo de algoritmo de aprendizaje automático y cuál es la precisión más alta que tenemos para usar ese algoritmo. Podemos minimizar el error de cada algoritmo reduciendo el ruido en los datos. Por último, diré que no hay un solo algoritmo de aprendizaje automático que pueda darle una precisión del 100 por ciento, incluso el cerebro humano no puede hacer eso, así que encuentre el mejor algoritmo de abeto para sus datos.
Artículos recomendados
Esta es una guía de tipos de algoritmos de aprendizaje automático. Aquí discutimos ¿Qué es el Algoritmo de aprendizaje automático ?, y sus Tipos incluyen aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semi-supervisado, aprendizaje de refuerzo. También puede consultar los siguientes artículos para obtener más información:
- Métodos de aprendizaje automático
- Bibliotecas de aprendizaje automático
- Modelos de aprendizaje automático
- Marcos de aprendizaje automático
- Aprendizaje automático de hiperparámetros
- Agrupación jerárquica | Agrupamiento Aglomerativo y Divisivo
- Crear árbol de decisiones | Cómo crear | Ventajas
- Ciclo de vida del aprendizaje automático | Top 8 etapas