Que es Machine Learning y cómo Funciona
La evolución en los procesos y servicios cloud, ha llevado a diseñar tecnologías que facilitan y en algunos casos sustituyen la presencia humana, te resumimos en estas líneas Que es Machine Learning y cómo Funciona
¿Qué es Machine Learning?
El machine Learning está detrás de los chatbots y de los mensajes premonitorios, de las aplicaciones de interpretación del lenguaje, de los programas que te recomienda Netflix y de cómo se introducen tus medios de comunicación online. Impulsa vehículos autónomos y máquinas que pueden analizar dolencias a la luz de las imágenes.
En el momento en que las organizaciones de hoy en día envían programas de conciencia hechos por el hombre, sin duda están utilizando Machine Learning – hasta el punto de que los términos se utilizan con frecuencia de forma recíproca, y de vez en cuando de forma cuestionable. El Machine Learning es un subcampo de la inteligencia artificial que permite a los computadores aprender sin ser modificados de manera inequívoca.
Básicamente, se trata de una técnica de análisis de datos que enseña a los computadores a hacer lo que es natural para los humanos y los animales: aprender de la experiencia. Los algoritmos de aprendizaje automático usan métodos computacionales para «aprender» información directamente de los datos sin depender de una ecuación predeterminada como modelo. Los algoritmos mejoran su rendimiento de manera adaptativa a medida que aumenta el número de muestras disponibles para el aprendizaje.
¿Cómo Funciona Machine Learning?
En ocasiones, desarrollar un programa para que la máquina lo siga es tedioso o incomprensible, como la preparación de un PC para que perciba imágenes de varios individuos. Mientras que las personas pueden realizar esta tarea con eficacia, es difícil aconsejar a un PC cómo hacerlo. Machine Learning adopta la estrategia de permitir que los PC descubran cómo programarse a sí mismos a través de la experiencia.
Machine Learning comienza con información: números, fotografías o texto, similar a los intercambios bancarios, imágenes de personas o incluso cosas de la cocina del pan, registros fijos, información de series temporales de sensores o números de marketing. La información se reúne y está lista para ser utilizada como información de preparación, o los datos sobre los que se preparará el modelo de machine learning. Cuanta más información, mejor será el programa.
A partir de ahí, los desarrolladores eligen un modelo de IA para usarlo, suministran la información y dejan que el modelo de PC se entrene para rastrear ejemplos o hacer expectativas. Al cabo de un tiempo, el desarrollador humano también puede modificar el modelo, incluso cambiar sus límites, para ayudarle a obtener resultados más precisos. (El sitio AI Weirdness, de la investigadora Janelle Shane, es una atractiva mirada a cómo avanzan los cálculos de la IA y cómo pueden malinterpretar las cosas, como ocurrió cuando un cálculo intentó producir planes e hizo un pastel de pollo con chocolate).
Se extraen algunos datos de la información de la preparación para usarlos como información de evaluación, lo que pone a prueba la exactitud del modelo de machine learning en el momento en que se le muestra nueva información. El resultado es un modelo que puede ser usado en el futuro con varios tipos de información.
Los cálculos de machine learning eficaces pueden hacer varias cosas, escribió Malone en un nuevo informe de exploración con respecto a la IA y el destino del trabajo que fue co-creado por la profesora del MIT y jefe de CSAIL Daniela Rus y Robert Laubacher, el socio jefe del Centro de Inteligencia Colectiva del MIT.
«La capacidad de un marco de Machine Learning puede ser distinta, lo que implica que el marco utiliza la información para aclarar lo que ocurrió; presciente, lo que significa que el marco utiliza la información para anticipar lo que ocurrirá; o prescriptivo, lo que significa que el marco utilizará la información para hacer ideas sobre qué movimiento hacer», compusieron los científicos.
Hay Varias Subcategorías de machine Learning :
Los modelos regulados se preparan con colecciones informativas nombradas, que permiten a los modelos aprender y desarrollarse con mayor precisión a largo plazo. Por ejemplo, un cálculo se prepararía con fotos de caninos y otras cosas, todas nombradas por personas, y la máquina aprendería a distinguir las fotos de caninos por sí sola. El machine learning dirigido es el tipo más reconocido que se usa hoy en día.
En el modelo no dirigido un programa busca diseños en información no etiquetada. Y sin ayuda puede rastrear ejemplos o patrones que los individuos no están buscando inequívocamente. Por ejemplo, un programa de IA en solitario podría echar un vistazo a la información de las ofertas en la web y reconocer varios tipos de clientes que hacen compras.
La IA de apoyo entrena a las máquinas a través de la experimentación para que hagan el mejor movimiento construyendo un marco de premios. El aprendizaje con apoyo puede preparar modelos para que se desvíen o entrenen a vehículos independientes para que conduzcan, haciendo saber a la máquina cuándo ha tomado las mejores decisiones, lo que le ayuda a aprender a largo plazo qué movimientos debe hacer.