¿Cuál es la máquina de aprendizaje?

Dos definiciones de aprendizaje automático se ofrecen. Arthur Samuel describió como: "el
campo de estudio que da a las computadoras la capacidad de aprender sin ser
programados de forma explícita." Esta es una definición informal de más edad.

Tom Mitchell ofrece una definición más moderna: "Un programa de ordenador se dice que
aprender de la experiencia E con respecto a alguna clase de tareas T y P medida de
rendimiento, si su desempeño en tareas en T, medido por P, mejora con la experiencia E. "

Ejemplo: juego de damas.

E = la experiencia de jugar muchos juegos de damas

T = la tarea de jugar a las damas.

P = probabilidad de que el programa va a ganar el próximo partido.

En general, cualquier problema de aprendizaje automático se puede asignar a una de las

dos clasificaciones generales:

aprendizaje supervisado y aprendizaje no supervisado.

Aprendizaje supervisado
En el aprendizaje supervisado, se nos da un conjunto de datos y ya sabemos lo que
nuestra salida correcta debe ser similar, teniendo la idea de que existe una relación entre
la entrada y la salida.

problemas de aprendizaje supervisado se clasifican en problemas "clasificación"

"regresión" y. En un problema de regresión, estamos tratando de predecir los resultados
dentro de una salida continua, lo que significa que estamos tratando de asignar variables
de entrada para alguna función continua. En un problema de clasificación, estamos
tratando en lugar de predecir los resultados en una salida discreta. En otras palabras,
estamos tratando de asignar variables de entrada en categorías discretas.

Ejemplo 1:

Teniendo en cuenta los datos sobre el tamaño de las casas en el mercado inmobiliario,
intentar predecir su precio. Precio como una función del tamaño es una salida continua,
por lo que este es un problema de regresión.

Podríamos convertir este ejemplo en un problema de clasificación por lugar de hacer

nuestra producción acerca de si la casa "se vende por más o menos que el precio de
venta." Aquí estamos clasificando las casas basado en el precio en dos categorías
discretas.
Ejemplo 2:

(A) Regresión - Dada una imagen de una persona, hay que prever su edad sobre la base
de la imagen dada

(B) Clasificación - Dado un paciente con un tumor, tenemos que predecir si el tumor es
maligno o benigno.

Aprendizaje sin supervisión

aprendizaje no supervisado nos permite abordar problemas con poca o ninguna idea de lo
que nuestros resultados debe ser similar. Podemos derivar la estructura de datos en la que
no sabemos necesariamente el efecto de las variables.

Podemos deducir esta estructura mediante la agrupación de los datos basados en las
relaciones entre las variables en los datos.

Con el aprendizaje no supervisado no hay retroalimentación sobre la base de los

resultados de la predicción.

Ejemplo:

La agrupación: Tomar una colección de 1.000.000 genes diferentes, y encontrar una

manera de forma automática grupo de estos genes en grupos que son de alguna manera
similar o relacionado por diferentes variables, como la esperanza de vida, la ubicación,
funciones, y así sucesivamente.

No agrupamiento: El "Cóctel Algoritmo", permite encontrar la estructura en un ambiente

caótico. (Es decir, la identificación de voces individuales y música de una malla de sonidos
en unacóctel).
1. PREGUNTA 1
Un programa informático se dice que aprender de la experiencia con E

respecto a alguna tarea T y alguna medida de rendimiento P si su

rendimiento en T, medido por P, mejora con la experiencia E.

Supongamos que alimentar a un algoritmo de aprendizaje mucho tiempo histórico

datos, y tienen que aprender a predecir el tiempo. Lo que sería una

opción razonable para P?

Ninguno de esos.

La tarea de predicción meteorológica.

La probabilidad de que predecir correctamente el tiempo de una fecha futura.

El proceso del algoritmo de examinar una gran cantidad de datos históricos del tiempo.

2. PREGUNTA 2
Supongamos que se está trabajando en la predicción del tiempo, y utilizar una

algoritmo de aprendizaje para predecir la temperatura de mañana (en

grados centígrados / Fahrenheit).

¿Le tratar esto como una clasificación o un problema de regresión?

Regresión

Clasificación

3. PREGUNTA 3
Suponga que está trabajando en la predicción del mercado de valores. ¿Le gustaría
predecir si una determinada empresa declarará la quiebra dentro de los próximos 7 días
(mediante la formación en los datos de empresas similares que previamente habían estado
en riesgo de quiebra). ¿Le tratar esto como una clasificación o un problema de regresión?
Clasificación

Regresión

4. PREGUNTA 4
Algunos de los problemas más adelante se tratan mejor usando un supervisada

algoritmo de aprendizaje, y los otros con un sin supervisión

algoritmo de aprendizaje. Cuál de las siguientes aplicaría

aprendizaje supervisado a? (Seleccione todas las que correspondan.) En cada caso,

asumir algunas apropiada

conjunto de datos está disponible para su algoritmo para aprender.

Dada 50 artículos escritos por autores masculinos, y 50 artículos escritos por autores de
sexo femenino, aprender a predecir el sexo del autor de un nuevo manuscrito (cuando se
desconoce la identidad del autor).

Teniendo en cuenta los datos históricos de las edades y alturas de los niños, predicción de
la talla de los niños en función de su edad.

Tome una colección de ensayos escritos 1000 sobre la economía de Estados Unidos, y
encontrar una manera de forma automática agrupar estos ensayos en un pequeño número
de grupos de ensayos que son de alguna manera "similar" o "relacionada".

Examinar una gran colección de correos electrónicos que se sabe que son spam de correo
electrónico, para descubrir si hay sub-tipos de correo basura.

5. PREGUNTA 5
¿Cuál de estos es una definición razonable de la máquina de aprendizaje?

El aprendizaje automático es la ciencia de la programación de ordenadores.

El aprendizaje automático aprende de datos etiquetados.

El aprendizaje automático es el campo de permitir que los robots actúen de forma
inteligente.

El aprendizaje automático es el campo de estudio que da a las computadoras la capacidad

de aprender sin ser programados de forma explícita.