Scribd
Cargar
36 vistas3 páginas

Foro Inteligencia Artificial Innovacion Tecnologica, Ventaja O Amenaza Aprendizaje Automático

El documento describe los diferentes tipos de aprendizaje automático, incluyendo aprendizaje supervisado, no supervisado y por refuerzo. El aprendizaje supervisado usa datos etiquetados para que los algoritmos aprendan, mientras que el no supervisado encuentra patrones sin etiquetas. El aprendizaje por refuerzo mejora las respuestas a través de retroalimentación y experiencia.

Cargado por

ndcharryr
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
36 vistas3 páginas

Foro Inteligencia Artificial Innovacion Tecnologica, Ventaja O Amenaza Aprendizaje Automático

El documento describe los diferentes tipos de aprendizaje automático, incluyendo aprendizaje supervisado, no supervisado y por refuerzo. El aprendizaje supervisado usa datos etiquetados para que los algoritmos aprendan, mientras que el no supervisado encuentra patrones sin etiquetas. El aprendizaje por refuerzo mejora las respuestas a través de retroalimentación y experiencia.

Cargado por

ndcharryr
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

FORO INTELIGENCIA ARTIFICIAL INNOVACION

TECNOLOGICA, VENTAJA O AMENAZA

APRENDIZAJE AUTOMÁTICO

son fragmentos de código que ayudan a los usuarios a explorar


y analizar conjuntos de datos complejos y a buscar significado
en ellos que brinda a las máquinas la capacidad de aprender
automáticamente de numerosos datos y experiencias pasadas
mientras identifica patrones para hacer predicciones con una
intervención humana mínima.
El uso de algoritmos ayuda a crear modelos matemáticos que
aproximan la relación entre todas las variables que aparecen
en los datos, y de esta forma están en la capacidad de hacer
predicciones.

Esto nos puede servir para:


● reducir costos
● mitigar riesgos
● mejorar la calidad de vida en general
● detección de infracciones de ciberseguridad
● habilitación de vehículos autónomos.
Aprendizaje supervisado:

Los algoritmos “aprenden” de datos que se le ofrecen


emparejados (se le da al algoritmo tanto las entradas
como las salidas que tendría que obtener). Este tipo de
aprendizaje se realiza con ejemplos o datos etiquetados,
como fotos con descripciones de las cosas que aparecen
en ellas.
Este tipo de algoritmo, por ejemplo, se utiliza en la
detección de spam de la mensajería electrónica. El
modelo aprende con el simple hecho de que, cuando te
llega un correo que no te gusta, lo pones en la carpeta de
spam. Además, también analiza características de otros
mensajes calificados como spam (número de
destinatarios, términos concretos, remitente…) y si
encuentra coincidencias, los etiqueta como tal.

Los algoritmos consiguen obtener conocimiento únicamente de


los datos que se proporcionan como entrada. A diferencia del
aprendizaje supervisado, no se dispone de datos etiquetados,
y no se le enseña al sistema qué resultados o salidas
queremos obtener (son desconocidos).

En este tipo de aprendizaje los algoritmos buscan similitudes


en los datos de entrada, y abstraen patrones. Algunas técnicas
que usan los algoritmos son la clusterización agrupación) o la
jerarquía.

Este sería el caso de Netflix: del conjunto de usuarios de la


plataforma, los algoritmos abstraen patrones de conducta para
realizar las recomendaciones: “A las personas que les ha
gustado Indiana Jones también les ha gustado Lara Croft. Por
tanto, si acabas de ver la primera, te recomendaré la segunda”.
Aprendizaje por refuerzo:

Los algoritmos aprenden y mejoran en su respuesta a partir de


la experiencia, usando un proceso de retroalimentación. El
sistema aprende del mundo que le rodea y de los errores que
comete hasta que encuentra la mejor manera de realizar una
tarea.

Este es el caso de los coches autónomos: cuando uno de


estos vehículos toma una decisión errónea es penalizado, y
aprende a no realizarla de nuevo. Microsoft también utiliza este
tipo de técnica en juegos como Minecraft para ver cómo los
jugadores pueden mejorar su trabajo.

También podría gustarte