-Monumentos -Lugares
El aprendizaje profundo es una función de inteligencia artificial y un subconjunto del aprendizaje automático, que se utiliza para procesar grandes cantidades de datos complejos.
El aprendizaje automático es la práctica de enseñar a una computadora a aprender. El concepto utiliza el reconocimiento de patrones, así como otras formas de algoritmos predictivos, para emitir juicios sobre los datos entrantes. Este campo está estrechamente relacionado con la inteligencia artificial y la estadística computacional.
El proceso de creación, uso y mantenimiento de modelos de aprendizaje automático y los datos que utilizan es un proceso muy diferente de muchos otros flujos de trabajo de desarrollo. En esta lección, desmitificaremos el proceso y describiremos las principales técnicas que necesita saber. Vas a:
- Comprender los procesos que sustentan el aprendizaje automático a un alto nivel.
- Explore conceptos básicos como 'modelos', 'predicciones' y 'datos de entrenamiento'.
En un nivel alto, el oficio de crear procesos de aprendizaje automático (ML) se compone de una serie de pasos:
** 1. Decidir sobre la pregunta **.
La mayoría de los procesos de AA comienzan haciendo una pregunta que no puede ser respondida por un programa condicional simple o un motor basado en reglas.
Estas preguntas a menudo giran en torno a predicciones basadas en una recopilación de datos.
** 2. Recopilar y preparar datos **.
Para poder responder a su pregunta, necesita datos. La calidad y, a veces, la cantidad de sus datos determinarán qué tan bien puede responder a su pregunta inicial.
La visualización de datos es un aspecto importante de esta fase. Esta fase también incluye dividir los datos en un grupo de entrenamiento y prueba para construir un modelo.
** 3. Elige un método de entrenamiento **.
Dependiendo de su pregunta y la naturaleza de sus datos, debe elegir cómo desea entrenar un modelo para reflejar mejor sus datos y hacer predicciones precisas contra ellos.
Esta es la parte de su proceso de AA que requiere experiencia específica y, a menudo, una cantidad considerable de experimentación.
** 4. Entrena al modelo **.
Usando sus datos de entrenamiento, usará varios algoritmos para entrenar un modelo para reconocer patrones en los datos.
El modelo puede aprovechar las ponderaciones internas que se pueden ajustar para privilegiar ciertas partes de los datos sobre otras para construir un modelo mejor.
** 5. Evaluar el modelo **.
Utiliza datos nunca antes vistos (sus datos de prueba) de su conjunto recopilado para ver cómo se está desempeñando el modelo.
** 6. Ajuste de parámetros **.
Según el rendimiento de su modelo, puede rehacer el proceso utilizando diferentes parámetros o variables que controlan el comportamiento de los algoritmos utilizados para entrenar el modelo.
** 7. Predecir **. Utilice nuevas entradas para probar la precisión de su modelo.