Búscalo aquí:

Jerarquía del Aprendizaje Inductivo: Aprendizaje Supervisado y No Supervisado



Los algoritmos de aprendizaje de máquinas aparecen con la intención de mejorar el desempeño en la realización de alguna tarea, este desempeño es mejorado a través de la experiencia, con la cual van “aprendiendo” hasta ser capaces de inducir una función o hipótesis capaz de resolver un determinado problema. Estos algoritmos son asociados al área de Inteligencia Artificial, sin embargo, otras áreas como Estadística, Teoría de la Computación, Teoría de la Información, Neurociencia, etc., tienen importantes contribuciones. De esta manera, de acuerdo a la tarea que se desea resolver, los algoritmos de aprendizaje pueden ser divididos en predictivos y descriptivos.



Los algoritmos o métodos que siguen modelos predictivos, son llamados de aprendizaje supervisado, porque simulan la presencia de un “supervisor externo” que conoce la(s) salida(s) deseada(s) para cada muestra evaluada. Esta salida deseada es llamada “rótulo”, y sirve para evaluar la capacidad de acierto en la predicción realizada. Si el rótulo es discreto, se realizará una tarea de clasificación, si el rótulo es continuo, se trata de una tarea de regresión.

Los algoritmos o métodos que siguen modelos descriptivos, son llamados de aprendizaje no supervisado, no hacen uso de un atributo de salida (rótulo) y son generalmente divididas en: agrupamiento, en que los datos son agrupados de acuerdo a su similaridad; sumarización, cuyo objetivo es encontrar una descripción simple y compacta para un conjunto de datos; y asociación, que consiste en encontrar patrones frecuentes de asociaciones entre los atributos de un conjunto de datos.



Hay que tener en cuenta que, se puede dar el caso en que, un modelo predictivo puede proveer una descripción compacta de un conjunto de datos y un modelo descriptivo puede proveer presiones después de ser validado.

Si alguna tarea de aprendizaje no cuadra en la jerarquía anterior, es llamada aprendizaje de refuerzo, la cual tiene por objetivo, reforzar a través de una “recompensa” una acción considerada positiva y “castigar” una acción negativa.


Fuente: K. Faceli, A.C. Lorena, J. Gama, A.C.P.L.F. de Carvalho, Inteligência Artificial: Uma abordagem de Aprendizado de Máquina, Versão 2.0 (rascunho), Março 2011.


Quieres leer más post como éste???...suscribete aquí!!!



2 comentarios:

  1. Te faltó el aprendizaje semi-supervisado. Se podría decir q es un híbrido entre supervisado y no supervisado. Se utiliza cuando se disponen de datos anotados (como en el supervisado), pero cuando la cantidad de los mismos no es lo suficientemente significativa como para que el clasificador aprenda apropiadamente. Es ahí donde se "mezclan" métodos no supervisados, para q el clasificador aproveche información de datos no anotados tb.

    ResponderEliminar
  2. Claro, pero el aprendizaje semi-supervisionado es parte del aprendizaje transductivo y no del inductivo, aunque existen muchas veces en las que se utiliza para aprendizaje inductivo (lo que requiere mayor costo).

    saludos

    ResponderEliminar

Bienvenido a jcGeorge's Blog!!!

Por favor deja tu comentario, consulta o sugerencia, procura mantener habilitado tu perfil de Blogger o deja un enlace a tu blog o web.

Gracias por leer este blog!!!

Related Posts Plugin for WordPress, Blogger...