Aprendizaje automático: categorías

El aprendizaje automático se clasifica ampliamente en los siguientes títulos:

El aprendizaje automático evolucionó de izquierda a derecha como se muestra en el diagrama anterior.

• Inicialmente, los investigadores comenzaron con el aprendizaje supervisado. Este es el caso de la predicción del precio de la vivienda discutida anteriormente.

• A esto le siguió el aprendizaje no supervisado, en el que la máquina está diseñada para aprender por sí sola sin supervisión.

• Los científicos descubrieron además que puede ser una buena idea recompensar a la máquina cuando hace el trabajo de la manera esperada y llegó el aprendizaje por refuerzo.

• Muy pronto, los datos que están disponibles en estos días se han vuelto tan enormes que las técnicas convencionales desarrolladas hasta ahora no lograron analizar el big data y proporcionarnos las predicciones.

• Así, llegó el aprendizaje profundo donde se simula el cerebro humano en las Redes Neuronales Artificiales (ANN) creadas en nuestras computadoras binarias.

• La máquina ahora aprende por sí sola utilizando la alta potencia informática y los enormes recursos de memoria que están disponibles en la actualidad.

• Ahora se observa que Deep Learning ha resuelto muchos de los problemas que antes no tenían solución.

• La técnica ahora está más avanzada al otorgar incentivos a las redes de Deep Learning como premios y finalmente llega Deep Reinforcement Learning.

Estudiemos ahora cada una de estas categorías con más detalle.

Aprendizaje supervisado

El aprendizaje supervisado es análogo a enseñar a un niño a caminar. Usted tomará la mano del niño, le enseñará cómo llevar el pie hacia adelante, caminará usted mismo para una demostración, etc., hasta que el niño aprenda a caminar por sí mismo.

Regresión

De manera similar, en el caso del aprendizaje supervisado, le da ejemplos concretos conocidos a la computadora. Usted dice que para un valor de característica dado x1 la salida es y1, para x2 es y2, para x3 es y3, y así sucesivamente. Con base en estos datos, dejas que la computadora descubra una relación empírica entre xey.

Una vez que la máquina esté entrenada de esta manera con una cantidad suficiente de puntos de datos, ahora le pediría a la máquina que prediga Y para una X dada. Suponiendo que conoce el valor real de Y para esta X dada, podrá deducir si la predicción de la máquina es correcta.

Por lo tanto, probará si la máquina ha aprendido utilizando los datos de prueba conocidos. Una vez que esté satisfecho de que la máquina puede realizar las predicciones con el nivel de precisión deseado (por ejemplo, del 80 al 90%), puede dejar de entrenar la máquina.

Ahora, puede usar la máquina de manera segura para hacer las predicciones en puntos de datos desconocidos, o pedirle a la máquina que prediga Y para un X dado para el que no conoce el valor real de Y. Esta capacitación se incluye en la regresión de la que hablamos más temprano.

Clasificación

También puede utilizar técnicas de aprendizaje automático para problemas de clasificación. En los problemas de clasificación, clasifica los objetos de naturaleza similar en un solo grupo. Por ejemplo, en un conjunto de 100 estudiantes, digamos, es posible que desee agruparlos en tres grupos según sus alturas: corto, mediano y largo. Midiendo la altura de cada alumno, los colocará en un grupo adecuado.

Ahora, cuando llegue un estudiante nuevo, lo colocará en un grupo apropiado midiendo su altura. Al seguir los principios del entrenamiento de regresión, entrenará la máquina para clasificar a un estudiante en función de su característica: la altura. Cuando la máquina aprenda cómo se forman los grupos, podrá clasificar correctamente a cualquier estudiante nuevo desconocido. Una vez más, usaría los datos de prueba para verificar que la máquina haya aprendido su técnica de clasificación antes de poner en producción el modelo desarrollado.

El aprendizaje supervisado es donde la IA realmente comenzó su viaje. Esta técnica se aplicó con éxito en varios casos. Ha utilizado este modelo mientras realizaba el reconocimiento de escritura a mano en su máquina. Se han desarrollado varios algoritmos para el aprendizaje supervisado. Aprenderá sobre ellos en los siguientes capítulos.

Aprendizaje sin supervisión

En el aprendizaje no supervisado, no especificamos una variable objetivo a la máquina, sino que le preguntamos a la máquina "¿Qué me puede decir acerca de X?". Más específicamente, podemos hacer preguntas como, dado un enorme conjunto de datos X, "¿Cuáles son los cinco mejores grupos que podemos hacer con X?" o "¿Qué características ocurren juntas con mayor frecuencia en X?". Para llegar a las respuestas a tales preguntas, puede comprender que el número de puntos de datos que necesitaría la máquina para deducir una estrategia sería muy grande. En caso de aprendizaje supervisado, la máquina puede entrenarse incluso con unos pocos miles de puntos de datos. Sin embargo, en el caso del aprendizaje no supervisado, la cantidad de puntos de datos que se aceptan razonablemente para el aprendizaje comienza en unos pocos millones. En estos días, los datos generalmente están disponibles en abundancia. Idealmente, los datos requieren curación. Sin embargo, la cantidad de datos que fluye continuamente en una red de área social, en la mayoría de los casos, la curación de datos es una tarea imposible.

La siguiente figura muestra el límite entre los puntos amarillos y rojos según lo determinado por el aprendizaje automático no supervisado. Puede ver claramente que la máquina podría determinar la clase de cada uno de los puntos negros con una precisión bastante buena.

Fuente:

https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png

El aprendizaje no supervisado ha mostrado un gran éxito en muchas aplicaciones modernas de IA, como la detección de rostros, la detección de objetos, etc.

Aprendizaje reforzado

Considere adiestrar a un perro mascota, entrenamos a nuestra mascota para que nos traiga una pelota. Lanzamos la pelota a cierta distancia y le pedimos al perro que nos la devuelva. Cada vez que el perro hace esto bien, lo premiamos. Lentamente, el perro aprende que hacer el trabajo correctamente le da una recompensa y luego el perro comienza a hacer el trabajo de la manera correcta en el futuro. Exactamente, este concepto se aplica en el tipo de aprendizaje “Refuerzo”. La técnica fue desarrollada inicialmente para máquinas para jugar. La máquina recibe un algoritmo para analizar todos los movimientos posibles en cada etapa del juego. La máquina puede seleccionar uno de los movimientos al azar. Si el movimiento es correcto, la máquina es recompensada; de lo contrario, puede ser penalizada. Lentamente, la máquina comenzará a diferenciar entre movimientos correctos e incorrectos y, después de varias iteraciones, aprenderá a resolver el rompecabezas del juego con mayor precisión. La precisión de ganar el juego mejoraría a medida que la máquina juegue más y más juegos.

El proceso completo se puede representar en el siguiente diagrama:

Esta técnica de aprendizaje automático se diferencia del aprendizaje supervisado en que no es necesario proporcionar los pares de entrada / salida etiquetados. La atención se centra en encontrar el equilibrio entre explorar las nuevas soluciones y explotar las soluciones aprendidas.

Aprendizaje profundo

El aprendizaje profundo es un modelo basado en Redes Neuronales Artificiales (ANN), más específicamente Redes Neuronales Convolucionales (CNN). Existen varias arquitecturas utilizadas en el aprendizaje profundo, como las redes neuronales profundas, las redes de creencias profundas, las redes neuronales recurrentes y las redes neuronales convolucionales.

Estas redes se han aplicado con éxito para resolver problemas de visión por computadora, reconocimiento de voz, procesamiento del lenguaje natural, bioinformática, diseño de fármacos, análisis de imágenes médicas y juegos. Hay varios otros campos en los que se aplica de forma proactiva el aprendizaje profundo. El aprendizaje profundo requiere una gran potencia de procesamiento y datos enormes, que generalmente están fácilmente disponibles en estos días.

Hablaremos sobre el aprendizaje profundo con más detalle en los próximos capítulos.

Aprendizaje por refuerzo profundo

El Deep Reinforcement Learning (DRL) combina las técnicas de aprendizaje profundo y reforzado. Los algoritmos de aprendizaje por refuerzo como Q-learning ahora se combinan con el aprendizaje profundo para crear un modelo de DRL potente. La técnica ha tenido un gran éxito en los campos de la robótica, los videojuegos, las finanzas y la salud. Muchos problemas que antes no tenían solución se resuelven ahora mediante la creación de modelos DRL. Se están realizando muchas investigaciones en esta área y las industrias la llevan a cabo de manera muy activa.

Hasta ahora, ha recibido una breve introducción a varios modelos de aprendizaje automático, ahora exploremos un poco más en profundidad varios algoritmos que están disponibles bajo estos modelos.