¿Cuáles son los principales algoritmos de MACHINE LEARNING?

 ¿Cuáles son los principales algoritmos de aprendizaje automático?

Existe una amplia gama de algoritmos de aprendizaje automático. Sin embargo, algunos se utilizan con mucha más frecuencia que otros. En primer lugar, se utilizan diferentes algoritmos para etiquetar los datos.

Los algoritmos de regresión -lineal o logística- nos permiten comprender las relaciones entre los datos. La regresión lineal se utiliza para predecir el valor de la variable dependiente en función del valor de la variable independiente. Por ejemplo, para predecir las ventas anuales de un vendedor en función de su nivel de formación o experiencia.

La regresión logística se utiliza cuando las variables dependientes son binarias. Otro tipo de algoritmo de regresión, llamado máquina de vectores de apoyo, es adecuado cuando las variables dependientes son más difíciles de ordenar.

Otro algoritmo de ML popular es el árbol de decisión. Este algoritmo crea recomendaciones basadas en un conjunto de reglas de decisión a partir de datos ordenados. Por ejemplo, es posible recomendar a qué equipo de fútbol apostar en función de datos como la edad de los jugadores o el porcentaje de victorias del equipo.

Los algoritmos de clasificación se utilizan a menudo para los datos no etiquetados. Este método consiste en identificar grupos de documentos similares y etiquetarlos según el grupo al que pertenecen.

Los grupos y sus características no se conocen de antemano. Los algoritmos de clustering incluyen K-means, TwoStep y Kohonen.

Los algoritmos de correlación permiten identificar patrones y relaciones en los datos e identificar relaciones si/entonces, llamadas "reglas de asociación". Estas reglas son similares a las utilizadas en la minería de datos. 

Por último, las redes neuronales son algoritmos diseñados como una red multicapa. La primera capa extrae los datos, una o varias capas ocultas realizan inferencias a partir de los datos extraídos y la última capa asigna una probabilidad a cada inferencia.

Las redes neuronales "profundas" constan de varias capas ocultas que permiten refinar los resultados de la capa anterior. Se utiliza en el campo del aprendizaje profundo.

SIGUIENTE