Introducción al aprendizaje automático para principiantes absolutos

Este artículo fue publicado como parte del Blogatón de ciencia de datos.

Introducción

Fue una película realmente buena, pero seguro que nos llevará algo de tiempo conocer a un T-100 real 🙁

Aquí, en este artículo, veremos qué es exactamente el aprendizaje automático y por qué es tan tendencia hoy en día. Este artículo está creado para cualquiera que esté comenzando a ingresar al mundo del aprendizaje automático. Considere esto como una guía de aprendizaje automático para NOOBS. Al final de este blog, también he creado una sección de preguntas frecuentes para responder algunas de las preguntas comunes sobre el aprendizaje automático. Así que sin más vencimiento, comencemos.

Si está interesado en una carrera en ciencia de datos y desea comenzar a aprender estos algoritmos y técnicas con proyectos relevantes para la industria, consulte nuestro Cinturón negro certificado AI y ML Acelerar programa aquí.

¿Qué es el aprendizaje automático?

Antes de comprender el significado del aprendizaje automático de forma simplificada, veamos las definiciones formales del aprendizaje automático.

Definición 1:

El aprendizaje automático en su forma más básica es la práctica de usar algoritmos para analizar datos, aprender de ellos y luego hacer una determinación o predicción sobre algo en el mundo. – NVIDIA

Definición 2:

El aprendizaje automático es la ciencia de hacer que las computadoras actúen sin estar programadas explícitamente.- Stanford

Definición 3:

El aprendizaje automático se basa en algoritmos que pueden aprender de los datos sin depender de la programación basada en reglas.-McKinsey & Co.

Definición 4:

Los algoritmos de aprendizaje automático pueden descubrir cómo realizar tareas importantes al generalizar a partir de ejemplos.-Universidad de Washington

Todas las definiciones anteriores son técnicamente sólidas y las proporcionan expertos en este campo; sin embargo, para alguien que está comenzando con el aprendizaje automático, esas definiciones pueden parecer un poco difíciles. Como esta es una guía de aprendizaje automático para novatos, creemos nuestra definición de aprendizaje automático de una manera noobs 😀

Definición simplificada de aprendizaje automático:

El aprendizaje automático es la capacidad de la máquina para aprender por sí misma

Esperar. Eso es todo. ¿Es esta la definición de aprendizaje automático?

Bueno, sí, en términos sencillos, esa es la definición de aprendizaje automático. Ahora, cómo llegamos a esta definición, cómo aprende una máquina y cómo puede resolver uno de los problemas más difíciles del mundo, es algo que veremos más adelante.

Una explicación para el aprendizaje automático

Entonces, ¿cómo funciona el aprendizaje automático? Bueno, déjame mostrarte una foto.

¿Aquí que ves?

Pueden ver que hay dos robots allí, llamémoslos máquinas en este contexto y hay humanos enseñando esas máquinas. Bueno, eso es aprendizaje automático en pocas palabras. En el aprendizaje automático, no codificamos explícitamente las máquinas sobre cómo resolver un problema en particular. En lugar de eso, le damos a la máquina las habilidades para que pueda resolver el problema y tratar de resolverlo por sí solo.

Ingredientes del aprendizaje automático

Para que cualquier algoritmo de aprendizaje automático funcione correctamente, se necesitan cuatro ingredientes.

1.Data: datos de entrada proporcionados al algoritmo de aprendizaje automático

2.Modelo: algoritmo de aprendizaje automático que vamos a construir

3.Función objetivo: mide qué tan cerca de la salida prevista con la real

4.Algoritmo de optimización: un ciclo de pruebas

Para explicar esos términos más rápidamente, explicaré esos ingredientes mientras explicaré los tipos de aprendizaje automático.

Tipos de aprendizaje automático

Dependiendo de cómo se lleve a cabo el proceso de aprendizaje para la máquina, el aprendizaje automático se clasifica en 3 categorías principales

1.Aprendizaje supervisado

2.Aprendizaje no supervisado

3.Aprendizaje por refuerzo

NOTA: Aquí en esta publicación te voy a explicar sobre el aprendizaje supervisadoEl aprendizaje supervisado es un enfoque de machine learning donde un modelo se entrena utilizando un conjunto de datos etiquetados. Cada entrada en el conjunto de datos está asociada a una salida conocida, lo que permite al modelo aprender a predecir resultados para nuevas entradas. Este método es ampliamente utilizado en aplicaciones como la clasificación de imágenes, el reconocimiento de voz y la predicción de tendencias, destacando su importancia en..., no supervisado y por refuerzo.

Aprendizaje supervisado

Entendamos el aprendizaje supervisado con la ayuda de una imagen.

Supongamos que la persona en esta imagen es usted y el robot es su amigo, llamémosle Chuck. Estás jugando con el juego «Adivina la fruta» de Chuck. En este juego, le mostrarás a Chuck algunas imágenes de frutas y Chuck, a su vez, adivinará cuál es esa fruta.

Ahora comprendamos el aprendizaje supervisado desde las siguientes perspectivas:

1.Data: Aquí en esta imagen, tienes algunas imágenes de frutas, esos son tus datos.

2.Modelo: Tu amigo Chuck es nuestro modelo. Técnicamente, el modelo puede ser cualquier cosa. Es tan simple como un algoritmo o una función o ecuación de regresión.

3.Función objetivo: esto es algo que calcula qué tan cerca del resultado de Chuck del resultado real

4.Algoritmo de optimización: después de jugar este juego varias veces, decidió actualizar la CPU, la RAM y el sensor de imagen para el mandril para que pueda ver las imágenes con mayor claridad y, debido a que la CPU y la RAM son más rápidas, puede procesar esas imágenes más rápido. Consideremos esa serie de pasos como algoritmos y este es ahora nuestro algoritmo de optimizaciónUn algoritmo de optimización es un conjunto de reglas y procedimientos diseñados para encontrar la mejor solución a un problema específico, maximizando o minimizando una función objetivo. Estos algoritmos son fundamentales en diversas áreas, como la ingeniería, la economía y la inteligencia artificial, donde se busca mejorar la eficiencia y reducir costos. Existen múltiples enfoques, incluyendo algoritmos genéticos, programación lineal y métodos de optimización combinatoria.....

Ahora la pregunta es ¿por qué esto se llama aprendizaje supervisado?

Bueno, está claro por la imagen misma. Muestra imágenes de mandril y, a su vez, comprobar es dar una respuesta. Si adivina correctamente, respondió que sí, de lo contrario, respondió ahora. En definitiva, estás supervisando a chuck para identificar correctamente la fruta que se muestra en la imagen y por eso se supervisa el nombre.

Aprendizaje sin supervisión

Entendamos el aprendizaje sin supervisión con la ayuda de una imagen.

Chuck y tú disfrutaron jugando al juego de adivinar la fruta. Sin embargo, tiene una reunión de oficina importante para ponerse al día. Mientras tanto, para mantener a Chuck ocupado, le das otro juego. Esta vez colocaste una imagen con algunas frutas en la mesa y le dijiste a Chuck que clasificara esas frutas y te fuiste a la reunión.

Ahora, comprendamos el aprendizaje no supervisadoEl aprendizaje no supervisado es una técnica de machine learning que permite a los modelos identificar patrones y estructuras en datos sin etiquetas predefinidas. A través de algoritmos como k-means y análisis de componentes principales, este enfoque se utiliza en diversas aplicaciones, como la segmentación de clientes, la detección de anomalías y la compresión de datos. Su capacidad para revelar información oculta lo convierte en una herramienta valiosa en la... desde las siguientes perspectivas:

1.Datos: Imagen que tiene varios frutos.

2.Modelo: Chuck sí mismo 🙂

3.Función objetivo: ¿Chuck clasifica correctamente las frutas?

4.Algoritmo de optimización: –

Ya que estás en la reunión, Chuck tiene que jugar este juego solo. Pero esta vez, después de ver esas imágenes, Chuck se confundió sobre cómo clasificarlas. Chuck ahora se confundió y comenzó a hacer esta actividad por su cuenta.

Ahora la pregunta es ¿por qué esto se llama aprendizaje no supervisado?

Bueno, de nuevo está claro por la imagen en sí :). Ya que estás en la reunión, no hay nadie para supervisar a Chuck y debe resolver esto por sí solo. Falta de supervisión y, por lo tanto, esto se denomina aprendizaje no supervisado.

Una cosa que podría preguntar es por qué no he mencionado nada en el algoritmo de optimización. La razón de esto es que en el aprendizaje no supervisado, dado que no estamos supervisando la máquina sobre cómo resolver nuestro problema, la máquina tiene que resolver esto por sí misma y realizar sus propias optimizaciones.

Aprendizaje reforzado

Permítanme explicar el último tema restante del aprendizaje automático con la ayuda de una imagen.

El aprendizaje por refuerzoEl aprendizaje por refuerzo es una técnica de inteligencia artificial que permite a un agente aprender a tomar decisiones mediante la interacción con un entorno. A través de la retroalimentación en forma de recompensas o castigos, el agente optimiza su comportamiento para maximizar las recompensas acumuladas. Este enfoque se utiliza en diversas aplicaciones, desde videojuegos hasta robótica y sistemas de recomendación, destacándose por su capacidad de aprender estrategias complejas.... es bastante complicado de explicar. Permítanme intentar explicar esto con la ayuda del ejemplo anterior.

Imagina que le estás enseñando a tu perro, llamémosle fido a buscar un palo. Cada vez que Fido busca el palo con éxito, le ofreciste una golosina (un hueso, digamos). Finalmente, Fido reconoció este patrón, y cada vez que arrojas un palo, intenta buscarlo lo más rápido posible para obtener una recompensa (un hueso), lo que da como resultado un tiempo de recuperación cada vez menor.

Bueno, eso es aprendizaje por refuerzo en pocas palabras.

Preguntas frecuentes sobre aprendizaje automático

1. ¿Qué es un modelo en aprendizaje automático?

En términos sencillos, un modelo puede ser cualquier cosa. Puede ser su algoritmo de aprendizaje automático implementado en R o Python o puede ser tan simple como una ecuación matemática

¿Son los datos necesarios para que funcione un algoritmo de aprendizaje automático?

Sí, se necesitan muchos datos para que funcione un algoritmo de aprendizaje automático. Sin datos, no hay aprendizaje automático.

3. ¿Dónde se encuentra el aprendizaje automático en el universo de la ciencia de datos?

Ciencias de la computación -> Ciencia de datos -> Aprendizaje automático

4.¿Cuándo usar qué tipo de algoritmo de aprendizaje automático?

Bueno, es difícil decidirse. No hay una respuesta específica para esto. Depende completamente del tipo de problema que esté intentando resolver. Pero en pocas palabras,

1. Aprendizaje supervisado: ej. Regresión, clasificación

2.Aprendizaje no supervisado: ej. Agrupación

3. Aprendizaje por refuerzo: ej. Coche autónomo

5. ¿Qué lenguaje usar para crear algoritmos de aprendizaje automático?

Depende totalmente de usted qué lenguaje de programación desea utilizar. Si un lenguaje de programación ofrece una mejor funcionalidad que otro, utilícelo. No hay bien o mal.

Si le gusta esta publicación, comparta sus comentarios en [email protected]

Shrish Mohadarkar

https://www.linkedin.com/in/shrish-mohadarkar-060209109

Relacionado