Qué es el machine learning en español

LearningML empezó como una app web. Creí que era la manera mucho más simple de entrar, en tanto que todo cuanto precisa es un navegador de internet y una conexión a Internet para emplear la app. Fue una sabia iniciativa, eso sí, admitir que los individuos potenciales tienen un ingreso permanente a Internet. Una suposición que puede ser alguna en una lugar de este mundo, pero no en otra, es precisamente una sección mucho mayor.

Fue en el transcurso de un conversatorio que dio comienzo a un curso de Sabiduría Artificial en la Escuela (ordenado por Fundación Cruzando de Chile), en el momento en que tomé conciencia de que esta resolución con en comparación con diseño de LearningML dejaba fuera a varios pequeños y pequeñas. Ciudadanos que sufren esenciales desigualdades se ven agravadas aún mucho más por la fuerte dependencia de Internet que transporta teniendo la educación desde hace cierto tiempo.

Big Data y Machine Learning aplicado a la compañía

Una compañía de telefonía desea entender qué clientes del servicio están «bajo riesgo» de darse de baja de sus servicios para hacer ocupaciones comerciales que eviten tener que proceder a la compañía. la rivalidad. ¿De qué forma puedes llevarlo a cabo? La compañía tiene bastantes datos de clientes del servicio, varios: antigüedad, proyectos de contrato, consumos diarios, llamadas por mes al servicio de atención al usuario, los últimos cambios en los proyectos de contrato… pero seguramente los usa solo para facturación y estadísticas. ¿Qué mucho más puedes llevar a cabo con esos datos? Se tienen la posibilidad de emplear para adivinar cuándo un cliente se dará de baja y administrar la mejor acción para evitarlo. Al fin y al cabo, con Machine Learning puedes pasar de ser reactivo a ser proactivo. Los datos históricos de la serie de clientes del servicio, adecuadamente organizados y procesados ​​en su grupo, desarrollan una banco de información que puede ser explotada para adivinar hábitos futuros, favoreciendo esos que mejoran los objetivos de negocio y eludiendo esos que son dañinos.

Solo una persona no puede investigar esta infinita cantidad de datos para sacar conclusiones y menos para realizar conjeturas. Los algoritmos, por su lado, tienen la posibilidad de advertir patrones de accionar en función de las cambiantes que damos y saber cuáles, en un caso así, provocaron la baja como clientes del servicio. La próxima imagen es un caso de muestra de una predicción simplificada fundamentada en datos de una compañía telefónica falsa, pero empleando una herramienta real de Machine Learning:

Mention Artificial Neural Networks

Las ANN meritan una mención por su especial distinción puesto que son algoritmos que usan un accionar afín al de las neuronas humanas y su aptitud de resumen para conseguir desenlaces, interrelacionando diferentes capas de neuronas para dotarlas de mayor capacidad. Si bien estos códigos hay ya hace mucho más de 70 años, en la última década han cobrado importancia –Corto Historia de las ANNs– (paralelamente a la mayor aptitud tecnológica de procesamiento, RAM y memoria en disco, la nube, etcétera.) y son consiguiendo enormes desenlaces, desenlaces en análisis de artículo y síntesis de voz, traducción de lenguajes, procesamiento de lenguaje natural, visión artificial, análisis de peligro, clasificación y predicción, y creación de motores de recomendación. Aquí comparto este producto sobre Deep Learning que puede agrandar tu conocimiento y aquí hay un caso de muestra de código en 15 líneas utilizando Python y Keras para hacer una puerta XOR.

Pienso que Machine Learning es una exclusiva herramienta clave que dejará el avance de un futuro mejor para los humanos al proveer información a robots, vehículos y hogares. Ahora están apareciendo las Smart Cities, el IOT y asimismo las apps de Machine Learning en Ayudantes como Siri, las sugerencias de Netflix o los Sistemas de Navegación de Drones. Para ingenieros o informáticos, es una especialidad primordial para contribuir a hacer y dirigir este nuevo futuro.

Ayudantes personales merced al estudio automático

Si charlamos de estudio automático, debemos olvidarnos de los ayudantes personales como Siri o Alexa, que usan el procesamiento del lenguaje natural o PLN, un mecanismo mediante programas que deja la comunicación. simulación. Enormes compañías como Google plus, Apple o Amazon están apostando fuerte por esta tecnología. Ahora poseemos Google plus Home y Amazon Echo que el día de hoy están ocasionando sensación. Este género de ayudantes aprenden de las diálogos que graban con millones de clientes y, más que nada, del dueño del dispositivo y de las tareas que efectúa.

Compañías de transporte como UPS usan la educación automático para prosperar y mejorar su trabajo, específicamente para desarrollar sus sendas con el propósito de reducir los giros a la izquierda, que son los mucho más peligrosos. Uber y Cabify asimismo usan estos algoritmos para achicar los tiempos de transporte con el menor peligro de incidente y, por consiguiente, mayores capital.

Géneros de estudio automático

La educación automático se puede clasificar en tres categorías primordiales:

• Un algoritmo de estudio supervisado usa un grupo de datos de entrada y salida. El algoritmo aprende una relación entre los datos de entrada y salida del grupo de entrenamiento y después utiliza esta relación para adivinar la salida de nuevos datos. Entre los objetivos de estudio supervisado más frecuentes es la clasificación. La educación de clasificación tiene como propósito usar el saber aprendido para adivinar la pertenencia a una clase particularmente. El ejemplo de calificación crediticia revela la educación de clasificación en el sentido de que pronostica deudores en los préstamos.
• La educación no supervisado tiene como propósito realizar visualizaciones en datos donde no hay un resultado o resultado popular, a través de la entendimiento de los patrones y la composición subyacente de los datos. Entre los tipos más frecuentes de estudio no supervisado es la educación por asociación, donde el algoritmo busca conexiones entre los datos de entrada. El ejemplo del análisis de la cesta de compra revela la educación por asociación.
• La educación por refuerzo es una manera de estudio de «ensayo y fallo» donde los datos de entrada hacen que el algoritmo responda, y el algoritmo es «castigado» o «retribuido» en dependencia de cuál sea la contestación que quiere. La robótica y la tecnología autónoma hacen un enorme empleo de este género de estudio.