freeCodeCamp/guide/spanish/machine-learning/index.md

title	localeTitle
Machine Learning	Aprendizaje automático

Aprendizaje automático

Arthur Samuel, un pionero en inteligencia artificial, definió el Aprendizaje Automático en 1959 como "el campo de estudio que le da a las computadoras la capacidad de aprender sin ser programadas explícitamente".

El profesor Tom Mitchell de CMU proporciona una definición más formal de Aprendizaje automático:

"Se dice que un programa de computadora aprende de la experiencia E con respecto a alguna clase de tareas T y la medida de rendimiento P si su desempeño en las tareas en T, medido por P, mejora con la experiencia E."

Considere el ejemplo de un algoritmo de aprendizaje automático que juega al ajedrez. En este ejemplo, E refiere a la experiencia de jugar al ajedrez, T es la tarea de jugar al ajedrez y P indica la probabilidad de que el programa gane el próximo juego de ajedrez.

El aprendizaje automático es exactamente como aprende un ser humano. Por ejemplo, si un humano quiere aprender a jugar al póker, primero aprenderá las reglas. Luego intentará obtener experiencia jugando el juego. Esta experiencia no es más que un gran conjunto de datos para una máquina mediante el cual puede tomar decisiones inteligentes para resolver el problema propuesto.

En general, los problemas de aprendizaje automático se pueden clasificar en aprendizaje supervisado y aprendizaje no supervisado. En el aprendizaje supervisado, tiene la entrada y la salida etiquetada, y sospecha que existe una relación entre la entrada y la salida etiquetada. Cuando no sabe cuál es el resultado etiquetado ni si existe una relación, el aprendizaje no supervisado lo ayudará a encontrar una estructura en sus datos, si es que existe.

Hemos cubierto dos categorías principales de aprendizaje automático, pero existen cuatro categorías amplias de aprendizaje automático:

1. Aprendizaje supervisado
2. Aprendizaje sin supervisión
3. Aprendizaje semi-supervisado
4. Aprendizaje reforzado

Aprendizaje supervisado

El aprendizaje supervisado es la tarea de aprendizaje automático de inferir una función a partir de datos de entrenamiento supervisados. El entrenamiento los datos consisten en un conjunto de ejemplos de entrenamiento. En el aprendizaje supervisado, cada ejemplo es un par que consiste en un objeto de entrada (típicamente un vector) y un valor de salida deseado (también llamado señal de supervisión). Además, el aprendizaje supervisado puede tomarse como 2 paradigma, clasificación y regresión.

Diagrama de flujo básico / pasos para el aprendizaje supervisado

1. Coleccionar conjunto de entrenamiento.
2. Divida el conjunto de entrenamiento en objeto de entrada (características) y objeto de salida (clases o valor)
3. Decide qué aplicarás, regresión o clasificador.
4. Decida qué algoritmo va a aplicar, SVM, deep net, etc.
5. Ejecuta el algoritmo en el conjunto de entrenamiento y usa el modelo para predicciones

Cursos:

1. Introducción al aprendizaje automático
2. Aprendizaje automático - Impartido por: Andrew Ng
3. Ciencia de datos y aprendizaje automático con Python - Hands On!
4. Aprendizaje automático
5. El borde analítico - Impartido por: MIT

Recursos de video:

1. Canal de Youtube de Siraj Raval
2. Canal de Youtube de Sentdex

Más información:

1. Aprendizaje automático en Wikipedia
2. Aprendizaje automático desmitificado: Youtube
3. Si desea una breve introducción del aprendizaje automático y prefiere los videos, pruebe este video de introducción del aprendizaje automático.
4. Si desea saber cómo proceder con el aprendizaje automático, consulte este video.

Laboratorio

Creación de aplicaciones inteligentes con Azure Machine Learning Studio