Please enable JavaScript.
Coggle requires JavaScript to display documents.
Big data, Tipos de aprendizaje - Coggle Diagram
Big data
-
La mayor parte de los macrodatos generados proviene de tres fuentes principales: datos sociales, datos de máquinas y datos transaccionales.
El big data extrae y procesa los datos para disponibilizarlos ante los algoritmos de machine learning. Se puede decir que el big data es la fuente de ingesta de datos para el ML y DL
Tipos de aprendizaje
Machine Learning
Unsupervised learning: En este caso no tenemos experiencia previa para analizar los nuevos datos, está más orientado a la búsqueda de patrones.
Supervised learning: Donde disponemos de un conocimiento anterior que nos puede ayudar a entender los nuevos datos que lleguen.
Herramientas
Muchas de estas herramientas están integradas dentro de las plataformas de Big Data y orientadas a procesar de forma paralela y distribuida grandes volúmenes de datos. Algunos de los ejemplos más reseñables son:
-
-
-
-
-
El machine learning toma los datos procesados por el big data y los analiza para generar insights de negocio o aprender a realizar ciertas tareas automáticamente.
-
El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia en los últimos años debido al aumento de la capacidad de computación y al boom de los datos. Las técnicas de aprendizaje automático son, de hecho, una parte fundamental del Big Data.
Aprendizaje por refuerzo: su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas. En la actualidad se está utilizando para posibilitar el reconocimiento facial, hacer diagnósticos médicos o clasificar secuencias de ADN.
Aprendizaje no supervisado: estos algoritmos no cuentan con un conocimiento previo. Se enfrentan al caos de datos con el objetivo de encontrar patrones que permitan organizarlos de alguna manera. Por ejemplo, en el campo del marketing se utilizan para extraer patrones de datos masivos provenientes de las redes sociales y crear campañas de publicidad altamente segmentadas.
Aprendizaje supervisado: estos algoritmos cuentan con un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos que les permiten tomar decisiones o hacer predicciones. Un ejemplo es un detector de spam que etiqueta un e-mail como spam o no dependiendo de los patrones que ha aprendido del histórico de correos (remitente, relación texto/imágenes, palabras clave en el asunto, etc.).