PRIMER INFORME MOOC: MACHINE LEARNING

PRIMER INFORME MOOC: MACHINE LEARNING

En el presente informe se puede evidenciar el proceso y avances en el curso online Machine Learning (Universidad de Stanford) mediante la siguiente imagen:

[pic 2]

[pic 3]

Adicional a eso, he tomado los siguientes apuntes:

¿Qué es el aprendizaje automático?

Se ofrecen dos definiciones de aprendizaje automático. Arthur Samuel lo describió como: "el campo de estudio que otorga a las computadoras la capacidad de aprender sin ser programado explícitamente". Esta es una definición más antigua, informal.

Tom Mitchell proporciona una definición más moderna: "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 tareas en T, medido por P, mejora con la experiencia E. "

Ejemplo 1: jugar a las damas.

E = la experiencia de jugar muchos juegos de damas

T = la tarea de jugar a las damas.

P = la probabilidad de que el programa gane el siguiente juego.

En general, cualquier problema de aprendizaje automático puede asignarse a una de dos clasificaciones generales: Aprendizaje supervisado y aprendizaje no supervisado.

Ejemplo 2: Supongamos que su programa de correo electrónico observa los correos electrónicos que usted hace o no marca como correo no deseado y, según eso, aprende a filtrar mejor el correo no deseado. ¿Cuál es la tarea T en esta configuración?

Clasifique los correos electrónicos como spam o no spam. T

Viendo tus correos electrónicos etiquetados como spam o no spam. E

La cantidad (o fracción) de correos electrónicos correctamente clasificados como spam/no spam. P 

Aprendizaje supervisado

En el aprendizaje supervisado, se nos da un conjunto de datos y ya sabemos cómo debe ser nuestra salida correcta, teniendo la idea de que existe una relación entre la entrada y la salida.

Los problemas de aprendizaje supervisados ​​se clasifican en problemas de "regresión" y "clasificación". En un problema de regresión, estamos tratando de predecir los resultados dentro de una salida continua, lo que significa que estamos tratando de asignar las variables de entrada a alguna función continua. En un problema de clasificación, en cambio, estamos tratando de predecir los resultados en un resultado discreto. En otras palabras, estamos tratando de asignar las variables de entrada en categorías discretas.

Ejemplo 1:

Dados los datos sobre el tamaño de las casas en el mercado inmobiliario, intente predecir su precio. El precio en función del tamaño es una salida continua, por lo que este es un problema de regresión.

Podríamos convertir este ejemplo en un problema de clasificación al hacer nuestra salida sobre si la casa "se vende por más o menos que el precio de venta". Aquí estamos clasificando las casas según el precio en dos categorías discretas.

Ejemplo 2:

(a) Regresión: dada la imagen de una persona, tenemos que predecir su edad en función de la imagen dada.

...