Página
Tema 1.1 - Definiciones Básicas y Aplicaciones Típicas
Resumen
El aprendizaje de máquina (En inglés: Machine Learning (ML)) es una rama de la inteligencia artificial enfocada al estudio de sistemas que pueden "aprender" a partir de datos. (wikipedia, 2022).
ML son un conjunto de métodos que pueden detectar
automáticamente patrones en un conjunto de datos, aprenderlos y luego usarlos para predecir datos futuros o realizar otro tipo de decisiones bajo incertidumbre. (Mitchell, 1997).
|
|---|
|
El aprendizaje automático, también conocido como machine learning, puede dividirse en algoritmos de aprendizaje supervisado (supervisado, 2021), algoritmos de aprendizaje no supervisado (supervisado W. -A., 2022) y aprendizaje de refuerzo (refuerzo, 2021). El aprendizaje supervisado utiliza ejemplos conocidos para obtener las inferencias, mientras que el aprendizaje no supervisado no dispone de ejemplos con un objetivo o etiqueta conocido. El algoritmo de aprendizaje por refuerzo aprende a medida que actúa con su entorno. |
|
Reconocimiento de Caracteres escritos a mano |
Reconocimiento de Rostros |
|---|---|
|
|
|
Imagen tomada de: |
Imagen tomada de: |
|
Reconocimiento de objetos |
Reconocimiento de voz |
|
|
|
Imagen tomada de: |
Imagen tomada de: |
|
Traducción |
|
|
|
|
Imagen tomada de: |
|
Aproximación en aprendizaje automático
Se desconocen las leyes que rigen las relaciones entre las variables y se tratan de descubrir a partir de los mismos datos, usando un enfoque correlacional. (calibration, 2022)
Las plantillas (templates) son entonces los diferentes modelos y algoritmos de machine learning que encontramos en la literatura, y en las librerías y frameworks para el entrenamiento de sistemas basados en ML.
¡La calibración dependerá de la muestra de datos con que se cuente!
Última modificación: viernes, 6 de enero de 2023, 10:14