Funcionamiento del MACHINE LEARNING

    Hay cuatro pasos principales en la creación de un modelo de aprendizaje automático. Este proceso suele estar dirigido y supervisado por un científico de datos. 

El primer paso es seleccionar y preparar el conjunto de datos de entrenamiento. Estos datos se utilizan para alimentar el modelo de aprendizaje automático para que aprenda a resolver el problema para el que fue diseñado.

Los datos pueden etiquetarse para indicar al modelo qué características debe reconocer. También puede no estar etiquetado, en cuyo caso la tarea del modelo es identificar y extraer las características recurrentes.

En ambos casos, los datos deben ser cuidadosamente preparados, editados y limpiados. De lo contrario, el entrenamiento del modelo de aprendizaje automático puede estar sesgado. Los resultados están directamente influenciados por las predicciones sobre el futuro.

El segundo paso consiste en seleccionar el algoritmo que se ejecutará en el conjunto de datos de entrenamiento. El tipo de algoritmo utilizado depende del tipo y la cantidad de datos de entrenamiento y del tipo de problema a resolver.

El tercer paso es entrenar el algoritmo. Se trata de un proceso iterativo. Las variables se contrastan con el algoritmo y los resultados se comparan con lo que el algoritmo debería producir. Los "pesos" y los sesgos pueden ajustarse para aumentar la precisión del resultado.

Las variables se vuelven a ejecutar hasta que el algoritmo produce el resultado correcto en la mayoría de los casos. Un algoritmo entrenado es un modelo de aprendizaje automático.

La cuarta y última etapa consiste en aplicar y perfeccionar el modelo. El modelo se aplica a nuevos datos, cuyo origen depende del problema que se resuelve. Por ejemplo, un modelo de aprendizaje automático diseñado para la detección de spam se aplicará al correo electrónico.

SIGUIENTE