Maquina de aprendizaje

-------------------------------------------------
Máquina de aprendizaje
De Wikipedia, la enciclopedia libre
Para el diario, vea Machine Learning (diario) .
El aprendizaje automático , una rama de la inteligencia artificial , es una disciplina científica relacionada con el diseño y desarrollo de algoritmos que toman como entrada empíricos de datos , como por ejemplo que a partirde sensores o bases de datos , y los patrones de rendimiento o predicciones cree que las características del mecanismo subyacente que generado los datos. Un aprendiz puede tomar ventaja de los ejemplos (datos) para capturar las características de interés de su distribución de probabilidad subyacente desconocida. Los datos pueden verse como ejemplos de las posibles relaciones entre variables observadas. Unaspecto importante de la investigación máquina de aprendizaje es el diseño de algoritmos que reconocen patrones complejos y tomar decisiones inteligentes sobre la base de los datos de entrada. Una dificultad fundamental es que el conjunto de todos los posibles comportamientos dadas todas las posibles entradas es demasiado grande para ser incluido en el conjunto de ejemplos observados (datos deentrenamiento). Por lo tanto el estudiante debe generalizar a partir de los ejemplos que se dan con el fin de producir una salida útil en los casos nuevos.
-------------------------------------------------
[ editar ]Definición
En 1959, Arthur Samuel definido máquina de aprendizaje como un "campo de estudio que da a las computadoras de la capacidad de aprender sin ser explícitamenteprogramado". [ 1 ]
Tom M. Mitchell proporcionó un muy citado, la definición más formal: "Un programa de computadora se dice que aprender de la experiencia E con respecto a alguna clase de tareas T y medida de rendimiento P, si su desempeño en las tareas en T, medido por P, E mejora con la experiencia ". [ 2 ]
-------------------------------------------------
[ editar ]Generalización
Generalizaciónen este contexto es la capacidad de un algoritmo para realizar con precisión en nuevos ejemplos, que no se ven después de haberse formado en un conjunto de datos de aprendizaje. El objetivo central de un alumno es generalizar a partir de su experiencia. [ 3 ] Los ejemplos de entrenamiento venir de alguna distribución de probabilidad generalmente desconocido y el estudiante tiene que extraer deellas algo más general, algo acerca de que la distribución, que le permite producir predicciones útiles de nuevos casos.
-------------------------------------------------
[ editar ]El aprendizaje automático, el descubrimiento de conocimiento en bases de datos (KDD) y minería de datos
Dos términos son comúnmente confundidos, ya que suelen emplear los mismos métodos y la superposiciónsignificativa. Ellos pueden definirse a grandes rasgos como sigue:
* El aprendizaje automático se centra en la predicción, basados ​​en conocidas propiedades extraídas de los datos de entrenamiento
* La minería de datos (que es la etapa de análisis de Descubrimiento de Conocimiento en Bases de Datos) se centra en el descubrimiento de (previamente) desconocidos propiedades de los datos
Las dosáreas se superponen en muchos aspectos: la minería de datos utiliza muchos métodos de aprendizaje de máquina, pero a menudo con un objetivo ligeramente diferente en mente. Por otra parte, el aprendizaje de máquina también cuenta con métodos de minería de datos como "aprendizaje no supervisado", o como un paso de preprocesamiento para mejorar la precisión de aprendiz. Gran parte de la confusiónentre estas dos comunidades de investigación (que no suelen tener distintas conferencias y revistas independientes, ECML PKDD ser una excepción importante) proviene de los supuestos básicos con los que trabajan: en la máquina de aprendizaje, el desempeño es evaluado con respecto a la capacidad de reproducir conocida conocimiento, mientras que en la KDD tarea clave es el descubrimiento de la...