En este post veremos lo fácil que puede llegar a ser entender Machine Learning (ML). Existen 3 tipos de algoritmos asociados a ML:
1. Supervisado
Este algoritmo consiste en una variable dependiente u objetivo que debe predecirse a partir de un conjunto dado de variables independientes o predictores (algo familiar a econometría?). Usando este conjunto de variables, generamos una función que asigna entradas a las salidas deseadas o algo así como la estimación de una forma no-paramétrica. El proceso de capacitación continúa hasta que el modelo alcanza el nivel deseado de precisión en los datos de capacitación. Ejemplos: regresión, árbol de decisión, bosque aleatorio, KNN, regresión logit, etc.
2. No supervisado
En este algoritmo no tenemos ninguna variable dependiente o de resultado para predecir o estimar. Se usa para agrupar a la población en diferentes grupos, lo que se usa ampliamente para segmentar observaciones en clusters. Basicamente la idea es dejar a la maquina buscar patrones en los datos. Ejemplos: algoritmo Apriori, K-means.
3. Aprendizaje profundo o reforzado
En este caso, la máquina está capacitada para tomar decisiones específicas. Funciona de esta manera: la máquina está expuesta a un entorno en el que se entrena continuamente utilizando prueba y error. Esta máquina aprende de la experiencia pasada e intenta capturar el mejor conocimiento posible para tomar decisiones comerciales precisas. Ejemplo: proceso de decisión de Markov.
1. Supervisado
Este algoritmo consiste en una variable dependiente u objetivo que debe predecirse a partir de un conjunto dado de variables independientes o predictores (algo familiar a econometría?). Usando este conjunto de variables, generamos una función que asigna entradas a las salidas deseadas o algo así como la estimación de una forma no-paramétrica. El proceso de capacitación continúa hasta que el modelo alcanza el nivel deseado de precisión en los datos de capacitación. Ejemplos: regresión, árbol de decisión, bosque aleatorio, KNN, regresión logit, etc.
2. No supervisado
En este algoritmo no tenemos ninguna variable dependiente o de resultado para predecir o estimar. Se usa para agrupar a la población en diferentes grupos, lo que se usa ampliamente para segmentar observaciones en clusters. Basicamente la idea es dejar a la maquina buscar patrones en los datos. Ejemplos: algoritmo Apriori, K-means.
3. Aprendizaje profundo o reforzado
En este caso, la máquina está capacitada para tomar decisiones específicas. Funciona de esta manera: la máquina está expuesta a un entorno en el que se entrena continuamente utilizando prueba y error. Esta máquina aprende de la experiencia pasada e intenta capturar el mejor conocimiento posible para tomar decisiones comerciales precisas. Ejemplo: proceso de decisión de Markov.
Comments
Post a Comment