¿Qué es el aprendizaje automático?

Una introducción muy básica al aprendizaje automático.

Cuando le mostramos una manzana a un niño pequeño y le decimos que es una “manzana”, no será capaz de agarrarla de inmediato. Pero supongamos que uno continúa mostrando una manzana todos los días y les dice que es una "manzana", y un día, cuando de repente decides mostrarles un mango y dices que es una "manzana", bueno, adivina qué... llorarán y te llamarán traidor. porque les hiciste aprender que una cosa casi redonda de color rojo es una manzana y no otra cosa. Ahora, consideremos a un chico que quiere ser amigo de una chica, pero no conoce sus gustos o disgustos. Entonces, todos los días le da algo nuevo y nota sus expresiones, ya sea que estén felices, enojadas o cualquier otra cosa. Con esto, aprende lo que le gusta y lo que no le gusta y finalmente llega a conocerla, después de quizás cientos de intentos.

Estos dos son ejemplos de cómo uno tiende a aprender cosas captando la información que se le da, solo por medio de conocer el resultado final (identificar la manzana es el resultado final, ser amigo de la niña es el resultado final).

Esto es exactamente lo que hacen las máquinas. Cuando aprenden de los datos que les proporcionamos, que pueden ser de cualquier forma, y ​​aprenden cosas por sí mismos, se denomina aprendizaje automático. Entonces, el aprendizaje automático es básicamente cuando las máquinas aprenden cosas y, en lugar de que nosotros les enseñemos, usan los datos pasados ​​y el resultado final y, sin codificarse explícitamente, se enseñan a sí mismas.

Ahora, para comprender los tipos de aprendizaje automático, consideremos el ejemplo que vimos al principio. Cuando a ese niño se le mostró una "manzana", se le dijo que esto es una manzana, y se pronuncia como MANZANA. Este es un dato etiquetado. Sabemos lo que se nos muestra significa. Ahora considere otro ejemplo, en un algoritmo de identificación de objetos, tendemos a usar millones de puntos de datos etiquetados que denotan varios objetos. Este es también un ejemplo de datos etiquetados. Ahora considere otro ejemplo en el que le mostramos al niño una manzana, pero no mencionamos que se llama "manzana", entonces el niño tiende a identificar un objeto rojo casi redondo, pero no podrá decirlo. se pronuncia como MANZANA. Pero, si le muestra una cosa amarilla de forma ovalada, podrá distinguir entre los dos y los considerará como 2 cosas diferentes. Este tipo de datos son los datos no etiquetados. Sabemos que hay una diferencia entre los dos objetos, pero no podemos nombrarlos, no tienen etiquetas. Así, cuando tenemos datos etiquetados para que la máquina los aprenda, es decir, el caso anterior, este tipo de aprendizaje se conoce como Aprendizaje Supervisado. Mientras que, cuando tenemos los datos sin etiquetar, es decir, este último caso, las máquinas adoptan el aprendizaje no supervisado. Aprendizaje supervisado y no supervisado, ambos utilizan el método de minimizar el error para dar los resultados. las máquinas adoptan el aprendizaje no supervisado. Aprendizaje supervisado y no supervisado, ambos utilizan el método de minimizar el error para dar los resultados. las máquinas adoptan el aprendizaje no supervisado. Aprendizaje supervisado y no supervisado, ambos utilizan el método de minimizar el error para dar los resultados.

Hay un tipo más de aprendizaje que, en lugar de minimizar el error, utiliza la técnica de maximizar la recompensa. Entendamos esto con la ayuda de un ejemplo. Una vez más, volvamos a llamar a nuestro pequeño niño. Lo que hacemos esta vez es decirle unas cuantas veces que un objeto rojo con forma redonda es una manzana, y cada vez que acierta le damos un caramelo, una recompensa. Considere el ejemplo donde el chico nota la expresión de la chica. En este caso, la expresión "feliz" de la niña es una recompensa para el chico, a través de la cual aprende sobre las cosas que le gustan. Este tipo de aprendizaje, en el que tendemos a maximizar la recompensa para maximizar el tipo de resultado que queremos, se conoce como aprendizaje por refuerzo. Consideremos un ejemplo más práctico para entender qué significa exactamente "recompensa". Cuando solíamos jugar el juego de la serpiente, solíamos proteger a la serpiente de golpear cualquier obstáculo y, al mismo tiempo, también solíamos recolectar comida, lo que ayudaba a la serpiente a crecer. Entonces, en este caso, la comida es la recompensa. Tenga en cuenta que este ejemplo del juego de la serpiente no es un ejemplo de aprendizaje por refuerzo, lo hemos usado aquí simplemente para explicar el significado del término "recompensa".

Por último, una cosa importante a tener en cuenta. No podemos usar sal en el café ni azúcar en el arroz frito. Sé que todo el mundo lo sabe, pero lo que quiero señalar es que hay cosas que tienen sentido en un lugar y parecen inútiles en otro. Digamos que podemos calcular el volumen de un cilindro usando una fórmula específica pero no podemos usar esa misma fórmula para calcular el volumen de una forma completamente diferente, digamos un contenedor hexagonal. Existe un conjunto específico de procedimientos para un tipo específico de problema, y ​​estos se denominan algoritmos. Los algoritmos son básicamente pasos en los que se lleva a cabo cualquier cosa. Hay varios tipos de algoritmos para los tres tipos de aprendizaje, y podemos aplicarlos según el tipo de problema en cuestión.

Sin entrar en detalles más complicados, me gustaría terminar aquí mi primer blog. Gracias por leerlo hasta el final. Deja tus sugerencias. Y no sé cómo resultaría, pero me encantó la experiencia de escribir mi primer blog y gracias a todos por leerlo hasta el final, mi primera audiencia :)