Se requieren técnicas de aprendizaje automático para mejorar la precisión de los modelos predictivos. Dependiendo de la naturaleza del problema de negocio que se está abordando, hay diferentes enfoques basados en el tipo y el volumen de los datos. En esta sección, discutimos las categorías de aprendizaje automático.
Aprendizaje supervisado
El aprendizaje supervisado generalmente comienza con un conjunto establecido de datos y una cierta comprensión de cómo se clasifican esos datos. El aprendizaje supervisado está destinado a encontrar patrones en los datos que se pueden aplicar a un proceso de análisis. Estos datos tienen características etiquetadas que definen el significado de los datos. Por ejemplo, puede crear una aplicación de aprendizaje automático que distinga entre millones de animales, basándose en imágenes y descripciones escritas.
Aprendizaje no supervisado
El aprendizaje no supervisado se utiliza cuando el problema requiere una gran cantidad de datos sin etiquetar. Por ejemplo, las aplicaciones de redes sociales, como Twitter, Instagram y Snapchat, tienen grandes cantidades de datos sin etiquetar. Comprender el significado detrás de estos datos requiere algoritmos que clasifiquen los datos en función de los patrones o clústeres que encuentren.
El aprendizaje no supervisado lleva a cabo un proceso iterativo, analizando datos sin intervención humana. Se utiliza con la tecnología de detección de spam de correo electrónico. Hay demasiadas variables en correos electrónicos legítimos y spam para que un analista etiquete correos masivos no solicitados. En su lugar, se aplican clasificadores de aprendizaje automático, basados en la agrupación y la asociación, para identificar el correo electrónico no deseado.
Aprendizaje por refuerzo
El aprendizaje por refuerzo es un modelo de aprendizaje conductual. El algoritmo recibe retroalimentación del análisis de datos, guiando al usuario hacia el mejor resultado. El aprendizaje por refuerzo difiere de otros tipos de aprendizaje supervisado, porque el sistema no está entrenado con el conjunto de datos de muestra. Más bien, el sistema aprende a través de ensayo y error. Por lo tanto, una secuencia de decisiones exitosas dará como resultado que el proceso se refuerce, porque resuelve mejor el problema en cuestión.
Aprendizaje profundo
El aprendizaje profundo es un método específico de aprendizaje automático que incorpora redes neuronales en capas sucesivas para aprender de los datos de manera iterativa. El aprendizaje profundo es especialmente útil cuando intentas aprender patrones a partir de datos no estructurados.
Las redes neuronales complejas de aprendizaje profundo están diseñadas para emular cómo funciona el cerebro humano, de modo que las computadoras pueden entrenarse para lidiar con abstracciones y problemas mal definidos. El niño promedio de cinco años de edad puede reconocer fácilmente la diferencia entre la cara de su maestro y la cara del guardia de cruce. En contraste, la computadora debe hacer mucho trabajo para averiguar quién es quién. Las redes neuronales y el aprendizaje profundo se utilizan a menudo en aplicaciones de reconocimiento de imágenes, voz y visión por computadora.