Tabla de contenido:
Definición - ¿Qué significa el aprendizaje automático?
El aprendizaje automático es una disciplina de inteligencia artificial (IA) orientada al desarrollo tecnológico del conocimiento humano. El aprendizaje automático permite a las computadoras manejar nuevas situaciones a través del análisis, el auto entrenamiento, la observación y la experiencia.
El aprendizaje automático facilita el avance continuo de la informática a través de la exposición a nuevos escenarios, pruebas y adaptación, al tiempo que emplea la detección de patrones y tendencias para mejorar las decisiones en situaciones posteriores (aunque no idénticas).
El aprendizaje automático a menudo se confunde con la minería de datos y el descubrimiento de conocimiento en bases de datos (KDD), que comparten una metodología similar.
Techopedia explica Machine Learning
Tom M. Mitchell, pionero del aprendizaje automático y profesor de la Universidad Carnegie Mellon (CMU), predijo la evolución y la sinergia del aprendizaje humano y automático. El Facebook News Feed de hoy es un ejemplo perfecto. El servicio de noticias está programado para mostrar contenido de usuario amigo. Si un usuario etiqueta o escribe con frecuencia en la pared de un amigo en particular, el News Feed cambia su comportamiento para mostrar más contenido de ese amigo.
Otras aplicaciones de aprendizaje automático incluyen reconocimiento de patrones sintácticos, procesamiento de lenguaje natural, motores de búsqueda, visión por computadora y percepción de máquinas.
| Descarga gratuita: IA en la industria de seguros: 26 casos de uso del mundo real |
Es difícil replicar la intuición humana en una máquina, principalmente porque los seres humanos a menudo aprenden y ejecutan decisiones inconscientemente.
Al igual que los niños, las máquinas requieren un período de entrenamiento extendido cuando se desarrollan algoritmos amplios orientados al dictado del comportamiento futuro. Las técnicas de capacitación incluyen aprendizaje de memoria, ajuste de parámetros, macrooperadores, fragmentación, aprendizaje basado en explicaciones, agrupamiento, corrección de errores, registro de casos, gestión de modelos múltiples, propagación hacia atrás, aprendizaje por refuerzo y algoritmos genéticos.
