Aprendizaje Automático
Aprendizaje Automático
Aprendizaje Automático
El aprendizaje automtico tiene como resultado un modelo para resolver una tarea dada.
Entre los modelos se distinguen1
Los modelos geomtricos, construidos en el espacio de instancias y que pueden tener una,
dos o mltiples dimensiones. Si hay un borde de decisin lineal entre las clases, se dice que
los datos son linealmente separables. Un lmite de decisin lineal se define como w * x = t,
donde w es un vector perpendicular al lmite de decisin, x es un punto arbitrario en el lmite
de decisin y t es el umbral de la decisin.
Los modelos lgicos, que transforman expresan las probabilidades en reglas organizadas en
forma de rboles de decisin.
Aprendizaje supervisado
Artculo principal: Aprendizaje supervisado
El algoritmo produce una funcin que establece una correspondencia entre las
entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es
el problema de clasificacin, donde el sistema de aprendizaje trata de etiquetar
(clasificar) una serie de vectores utilizando una entre varias categoras (clases). La
base de conocimiento del sistema est formada por ejemplos de etiquetados
anteriores. Este tipo de aprendizaje puede llegar a ser muy til en problemas de
investigacin biolgica, biologa computacional y bioinformtica.
Aprendizaje no supervisado
Artculo principal: Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos
formado tan slo por entradas al sistema. No se tiene informacin sobre las categoras
de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de
reconocer patrones para poder etiquetar las nuevas entradas.
Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar
de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.