Please enable JavaScript.
Coggle requires JavaScript to display documents.
Tipos de machine learning - Coggle Diagram
Tipos de machine learning
Aprendizaje supervisado: En este tipo de aprendizaje, se proporcionan datos etiquetados con ejemplos de entrada y salida esperada. El modelo aprende a mapear los datos de entrada a las salidas correspondientes. Algunos algoritmos de aprendizaje supervisado incluyen regresión lineal, regresión logística, árboles de decisión y máquinas de vectores de soporte.
Aprendizaje no supervisado: Aquí, el modelo se enfrenta a datos no etiquetados y su objetivo es encontrar patrones o estructuras ocultas en los datos. No se proporciona ninguna salida esperada. Algunos ejemplos de algoritmos de aprendizaje no supervisado son el clustering (agrupamiento), la reducción de dimensionalidad y las reglas de asociación.
Aprendizaje por refuerzo: En este caso, el modelo aprende a través de la interacción con su entorno. Se le proporcionan recompensas o castigos según su comportamiento y se mejora a través de la retroalimentación. Los algoritmos de aprendizaje por refuerzo se utilizan comúnmente en problemas de toma de decisiones secuenciales, como el ajedrez o los juegos de video.
Aprendizaje semi-supervisado: Este enfoque combina elementos del aprendizaje supervisado y no supervisado. Se utiliza cuando se tienen algunos datos etiquetados y muchos datos no etiquetados. El objetivo es utilizar los datos etiquetados para guiar el aprendizaje y descubrir patrones en los datos no etiquetados.
Aprendizaje de transferencia: En este caso, se utiliza el conocimiento aprendido de una tarea para mejorar el rendimiento en otra tarea relacionada. El modelo se entrena en una tarea fuente y luego se aplica a una tarea objetivo relacionada.
Redes neuronales artificiales
Neurona artificial: También conocida como nodo, es la unidad básica de procesamiento en una red neuronal artificial. Recibe entradas, realiza un cálculo y produce una salida. La salida puede ser enviada a otras neuronas en la red.
Capa de entrada: Es la capa inicial de la red donde se introducen los datos de entrada. Cada neurona en esta capa representa una característica o atributo del dato de entrada.
Capa de entrada: Es la capa inicial de la red donde se introducen los datos de entrada. Cada neurona en esta capa representa una característica o atributo del dato de entrada.
Capa de salida: Es la capa final de la red que produce la salida o resultado de la red neuronal. Puede tener una o varias neuronas dependiendo del tipo de problema que se esté abordando.
Peso: Cada conexión entre las neuronas tiene asociado un peso. Estos pesos determinan la importancia de las conexiones y se ajustan durante el proceso de entrenamiento de la red.
Función de activación: Cada neurona tiene una función de activación que determina su salida en función de su entrada y los pesos asociados. Algunas funciones de activación comunes incluyen la función sigmoide, la función ReLU (Rectified Linear Unit) y la función softmax.
Propagación hacia adelante (forward propagation): Es el proceso de calcular la salida de la red neuronal a partir de los datos de entrada. Las entradas se propagan capa por capa a través de las neuronas hasta llegar a la capa de salida.
Retropropagación (backpropagation): Es el algoritmo utilizado para ajustar los pesos de las conexiones en la red neuronal durante el proceso de entrenamiento. Se basa en el cálculo del error entre la salida esperada y la salida real de la red, y se propaga hacia atrás para ajustar los pesos y minimizar el error.
Aprendizaje profundo (Deep Learning): Es una rama del aprendizaje automático que utiliza redes neuronales artificiales con múltiples capas para aprender y extraer características de los datos. El aprendizaje profundo ha demostrado un rendimiento sobresaliente en tareas como reconocimiento de imágenes, procesamiento de lenguaje natural y reconocimiento de voz.
perros sin necesidad de entrenarlo desde cero.
Aprendizaje incremental: Este tipo de aprendizaje implica actualizar y mejorar el modelo continuamente a medida que se reciben nuevos datos. El modelo aprende de manera incremental a medida que se le presentan nuevos ejemplos.
Aprendizaje basado en reglas: Se utiliza para aprender reglas o patrones lógicos a partir de los datos. El modelo aprende a través de la inferencia y puede ser útil en la toma de decisiones basada en reglas.
frameworks
en dasarrollo wed tenemos
React: Una biblioteca de JavaScript para crear interfaces de usuario.
Angular: Un framework de JavaScript desarrollado por Google para construir aplicaciones web.
Vue.js: Otro framework de JavaScript para crear aplicaciones web interactivas.
Node.js: Un entorno de tiempo de ejecución de JavaScript en el lado del servidor.
Express: Un framework de Node.js para la creación de aplicaciones web y API.
Ruby on Rails: Un framework de desarrollo web Ruby.
Django: Un framework de desarrollo web Python.
ASP.NET: Un framework de desarrollo web de Microsoft.
en desarrollo movil
React Native: Un framework de desarrollo móvil que utiliza React para construir aplicaciones nativas de iOS y Android.
Flutter: Un framework de desarrollo móvil de Google para crear aplicaciones nativas para múltiples plataformas.
Xamarin: Un framework de desarrollo móvil de Microsoft que permite desarrollar aplicaciones para iOS y Android utilizando C#.
desarrollo de juegos
Unity: Un motor de juego ampliamente utilizado para el desarrollo de videojuegos en 2D y 3D.
Unreal Engine: Otra opción popular para el desarrollo de juegos, especialmente para juegos 3D de alta calidad.