Qué tipos de machine learning existen
En contraste al estudio supervisado, en la educación no supervisado poseemos datos sin etiquetar, o sea, no hay conocimiento a priori, no hay etiqueta para adivinar. Este género de modelos se fundamentan en enormes proporciones de datos, examinando su composición y distribución para obtener novedosa información y agrupar entidades por afinidad (detección de patrones). Asimismo se tienen la posibilidad de emplear para achicar la dimensionalidad y facilitar conjuntos de datos.
Los algoritmos de agrupamiento definen una métrica de similitud o distancias usadas para equiparar datos. Se usan, por servirnos de un ejemplo, para localizar clientes del servicio con un accionar afín para vender ciertos artículos o servicios, o para detectar acciones sospechosas de estafa.
Estudio no supervisado
En contraste al estudio supervisado, en un caso así no hay un conocimiento a priori. Aquí por el momento no disponemos (X,Y)) tuplas, solo disponemos (X).
La meta del estudio no supervisado es modelar la composición o distribución de los datos para estudiar mucho más sobre ellos. Se utiliza para entender y sintetizar un grupo de datos.
Algoritmo primordial de estudio automático
Estudio supervisado
En la educación supervisado, la máquina se enseña con el ejemplo. Por consiguiente, el operador da al algoritmo de estudio automático un grupo popular de datos que tiene dentro las entradas y salidas requeridas, y el algoritmo debe conseguir una forma de saber de qué forma entrar a esas entradas y salidas.
Al paso que el operador sabe las respuestas adecuadas al inconveniente, el algoritmo reconoce patrones en los datos, aprende de las visualizaciones y hace conjeturas. El algoritmo hace una predicción y el operador la soluciona, y este desarrollo prosigue hasta el momento en que el algoritmo consigue un prominente nivel de precisión y desempeño.
Estudio Supervisado
Primeramente, el género de estudio supervisado se apoya en la observación. Un emprendimiento con esta técnica precisa entrenar las máquinas con una banco de información a la perfección etiquetada, lo que resulta en la predicción de datos de salida concretos. En términos sencillos, con la educación supervisado le mencionamos a la máquina lo que deseamos que aprenda y debe proseguirlo literalmente.
Por poner un ejemplo, tenemos la posibilidad de linkear los bootcamps de KeepCoding y exactamente en qué temporada del año se apunta mucho más gente a uno. Entonces, entrenaríamos un modelo que consigua transcribir la relación entre esta temporada del año y el número de anotados.
