Machine learning

El aprendizaje automático o aprendizaje automatizado o aprendizaje de máquinas es el

subcampo de las ciencias de la computación y una rama de la inteligencia artificial, cuyo
objetivo es desarrollar técnicas que permitan que las computadoras aprendan.

El aprendizaje supervisado es la tarea de aprendizaje automático de

aprender una función que mapea una entrada a una salida basada en pares de
entrada-salida de ejemplo. Infiere una función deLos datos de
entrenamiento etiquetados consisten en un conjunto
de ejemplos de entrenamiento . En el aprendizaje supervisado, cada ejemplo es
un par que consiste en un objeto de entrada (típicamente un vector) y un valor
de salida deseado (también llamado señal de supervisión ). Un algoritmo de
aprendizaje supervisado analiza los datos de entrenamiento y produce una
función inferida, que se puede utilizar para mapear nuevos ejemplos. Un
escenario óptimo permitirá que el algoritmo determine correctamente las
etiquetas de clase para las instancias no vistas. Esto requiere que el algoritmo
de aprendizaje generalice de los datos de entrenamiento a situaciones
invisibles de una manera "razonable" (ver sesgo inductivo ).

 Supervised learning

Depende de datos previamente etiquetados, como podría ser el que

una computadora logré distinguir imágenes de coches, de las de
aviones. Para esto, lo normal es que estas etiquetas o rótulos sean
colocadas por seres humanos para asegurar la efectividad y calidad
de los datos.

En otras palabras, son problemas que ya hemos resuelto, pero que

seguirán surgiendo en un futuro. La idea es que las computadoras
aprendan de una multitud de ejemplos, y a partir de ahí puedan hacer
el resto de cálculos necesarios para que nosotros no tengamos que
volver a ingresar ninguna información.

Ejemplos: reconocimiento de voz, detección de spam, reconocimiento

de escritura, entre otros.

¿Cómo funcionan los algoritmos de aprendizaje

supervisado

La mayoría del aprendizaje automático práctico utiliza aprendizaje supervisado.

El aprendizaje supervisado es donde tiene variables de entrada (x) y una variable
de salida (Y) y utiliza un algoritmo para aprender la función de mapeo desde la
entrada hasta la salida.
Y = f (X)
El objetivo es aproximar la función de mapeo tan bien que cuando tenga nuevos
datos de entrada (x) que pueda predecir las variables de salida (Y) para esos
datos.
Se denomina aprendizaje supervisado porque el proceso de un algoritmo de
aprendizaje a partir del conjunto de datos de capacitación se puede considerar
como un maestro que supervisa el proceso de aprendizaje. Sabemos las
respuestas correctas, el algoritmo hace iterativamente predicciones sobre los datos
de entrenamiento y es corregido por el maestro. El aprendizaje se detiene cuando
el algoritmo alcanza un nivel aceptable de rendimiento.
El aprendizaje supervisado se llama así porque el científico de datos actúa como una guía
para enseñar al algoritmo qué conclusiones debe sacar. Es similar a la forma en que un
niño puede aprender aritmética de un maestro. El aprendizaje supervisado requiere que ya
se conozcan los posibles resultados del algoritmo y que los datos utilizados para entrenar
el algoritmo ya estén etiquetados con las respuestas correctas. Por ejemplo, un algoritmo
de clasificación aprenderá a identificar animales después de recibir entrenamiento en un
conjunto de datos de imágenes que están correctamente etiquetados con la especie del
animal y algunas características de identificación.

Por otro lado, el aprendizaje automático no supervisado está más estrechamente alineado
con lo que algunos llaman inteligencia artificial real: la idea de que una computadora puede
aprender a identificar procesos y patrones complejos sin que un ser humano proporcione
orientación en el camino.

Mientras que un algoritmo de clasificación supervisado aprende a asignar etiquetas

ingresadas a imágenes de animales, su contraparte no supervisada buscará similitudes
inherentes entre las imágenes y las separará en grupos, asignando su propia etiqueta
nueva a cada grupo. En un ejemplo práctico, este tipo de algoritmo es útil para la
segmentación de clientes porque devolverá grupos basados en parámetros que un ser
humano podría no considerar debido a sesgos preexistentes sobre la demografía de la
empresa.

La elección de utilizar un algoritmo de aprendizaje automático supervisado o no

supervisado generalmente depende de factores relacionados con la estructura y el
volumen de sus datos y el caso de uso del problema en cuestión. Un programa completo
de ciencia de datos utilizará ambos tipos de algoritmos para construir modelos de datos
predictivos que ayuden a las partes interesadas a tomar decisiones a través de una
variedad de desafíos empresariales.
Ejemplo
Para resolver este problema, necesitamos aprender la dependencia entre xx y yy ,
que se denota por y=f(x)y=f(x) . Por lo tanto, f(x)f(x)es la función objetivo
ideal. El algoritmo de aprendizaje automático intentará adivinar la función de
hipótesis h(x)h(x) que es la aproximación más cercana de ladesconocida f(x)f(x).

Necesitamos definir una función de costo . Esencialmente, lo que hace la función

de costo es simplemente calcular el error cuadrático medio entre la predicción del
modelo y la salida real.

Básicamente, el descenso de gradiente es un algoritmo que intenta encontrar el

conjunto de parámetros que minimizan la función. Comienza con un conjunto inicial
de parámetros y toma pasos iterativamente en la dirección negativa del degradado
de la función.
https://en.m.wikipedia.org/wiki/Supervised_learning (Aquí te dejo este link. La parte de
función de este link está un poco enrredad)

https://www.toptal.com/machine-learning/supervised-machine-learning-algorithms (en este

link la función se entiende mejor). EN ESTE DOCUMENTO SOLO PUSE 1 EJEMPLO. PERO EN EL
LINK HAY MÁS.