Please enable JavaScript.
Coggle requires JavaScript to display documents.
Machine Learning - Coggle Diagram
Machine Learning
Frameworks y herramientas más utilizadas en el ámbito
TensorFlow
Un popular framework de código abierto desarrollado por Google para Machine Learning y Deep Learning
PyTorch
Otro framework de código abierto que se utiliza ampliamente en el campo del aprendizaje profundo.
Scikit-Learn
Una biblioteca de Python que ofrece herramientas para Machine Learning tradicional, incluyendo clasificación, regresión, clustering y más.
Keras
Una API de alto nivel que se ejecuta en la parte superior de TensorFlow y otras bibliotecas, lo que facilita la construcción de redes neuronales.
Pandas
Una biblioteca de Python para la manipulación y análisis de datos, a menudo utilizada en la preparación de datos para Machine Learning.
Jupyter Notebook
Una herramienta popular para desarrollar y presentar proyectos de Machine Learning en un entorno interactivo
Tipos de machine learning.
Aprendizaje Supervisado
En este enfoque, el algoritmo se entrena utilizando un conjunto de datos que contiene ejemplos de entrada y la salida deseada. El objetivo es aprender una función que mapee las entradas a las salidas.
Aprendizaje No Supervisado
Aquí, el algoritmo se entrena en datos sin etiquetas, y el objetivo es descubrir patrones, estructuras o agrupaciones en los datos.
Aprendizaje por Refuerzo
En este tipo de aprendizaje, un agente toma decisiones en un entorno y recibe recompensas o castigos según sus acciones. El objetivo es aprender a maximizar las recompensas a lo largo del tiempo.
Aprendizaje Profundo
Este es un subcampo de Machine Learning que se centra en redes neuronales profundas y su capacidad para aprender representaciones de datos de alto nivel.
Redes neuronales artificiales
Perceptrón
Un perceptrón es la unidad básica de una red neuronal, que toma entradas ponderadas y las pasa a través de una función de activación.
Redes Neuronales Feedforward
Estas son redes en las que la información fluye en una dirección, desde la capa de entrada a la capa de salida.
Redes Neuronales Recurrentes
Permiten la retroalimentación de las salidas anteriores a las entradas actuales, lo que las hace adecuadas para secuencias de datos, como el procesamiento del lenguaje natural.
Redes Neuronales Convolucionales
Estas redes están diseñadas para procesar datos en forma de cuadrícula, como imágenes, utilizando capas convolucionales para capturar patrones espaciales