Machine Learning: algoritmos más utilizados

Clasificación de los algoritmos en Machine Learning

El aprendizaje automático (machine learning) funciona a través de algoritmos, los cuales se clasifican en tres categorías: supervisados, no supervisados y por refuerzo, los cuales explicaremos a continuación.

1. Aprendizaje supervisado

El aprendizaje supervisado funciona a través de ejemplos, es decir, reúne una cantidad determinada de información, en un tiempo preciso y de esta forma obtener datos concretos y aplicarlos en otra situación. Un ejemplo de esto son los captchas, detección de spam o el reconocimiento de voz.

2. Aprendizaje no supervisado

Este aprendizaje estudia los datos ingresados para identificar patrones, por lo que el algoritmo se encuentra en un caos de datos para luego intentar categorizarlos, con el tiempo, entre más datos evalúa y categoriza va mejorando la capacidad para la toma de decisiones.

3. Aprendizaje por refuerzo

En esta clasificación de aprendizaje, los algoritmos tienen una referencia previa como un conjunto de acciones, parámetros y valores finales, entonces luego se usan parámetros de recompensa para ajustar el compartimento de acciones futuras y poder mejorar las recompensas también.

Desarollo de apps, software, RFID, beacons, drones y más

Brindamos soluciones tecnológicas para más de 15 industrias

Tipos de algoritmos más utilizados en Machine Learning

Algoritmos de regresión

Este algoritmo permite que el programa valore y comprenda las relaciones entre variables, de esta forma puede realizar predicciones. Este tipo de algoritmo se utiliza mucho en estadísticas. Un par de este tipo de algoritmos son:

• Regresión lineal
• Regresión logística

Algoritmos bayesianos

Los algoritmos bayesianos se basan en el teorema Bayes, clasificando cada valor independiente de los otros, entonces realiza la clasificación de acuerdo a las características de un conjunto. Los más utilizados son:

• Naive Bayes
• Gaussian Naive Bayes
• Multinomial Naive Bayes
• Bayesiana Network

Algoritmos de agrupación

Este tipo de algoritmo pertenece a la clasificación de aprendizaje no supervisado por lo que sirve para clasificar datos no etiquetados y funciona de manera iterativa con la búsqueda de grupos donde se le asignará puntos a cada dato de acuerdo a las características dadas. Entre los más utilizados se encuentran:

• K-Means
• K-Medians
• Hierarchical Clustering

Algoritmos de árbol de decisión

El algoritmo de árbol de decisión tiene una estructura parecida a los diagramas de flujo, entonces cada nodo del árbol representa una variable específica y cada rama es una respuesta a esa variable. Este algoritmo sirve para la clasificación de la información, de los más populares están:

• Árboles de clasificación y regresión
• Decisión de árbol condicional

Algoritmos de redes neuronales

Estas redes funcionan como sistemas neuronales para procesar la información por lo que aprenden procesando datos interconectados y mejoran con la experiencia y así ir resolviendo problemas específicos. Los algoritmos de redes neuronales clásicas son:

• Compuerta XOR
• Perceptron
• Back-propagation
• Hopfield Network
• MLP: Multi Layered Perceptron

Algoritmos de reducción de dimensión

Este algoritmo es tal y como se llama, es decir que, reduce el número de variables que son tomadas en cuenta para encontrar una respuesta a la información requerida; esto lo logran simplificando o comprimiendo los datos. Entre los más utilizados son:

• Principal Component Analysis
• t-SNE

Algoritmos de aprendizaje profundo

Este es uno de los algoritmos más conocidos y funciona mediante la ejecución de datos, además lo realizan a través de distintas capas. Son mayor conocidos también como Deep Learning, entre los más populares se encuentran:

• Convolutional Neural Networks
• Long Short Term Memory Neural Networks

Para la elección del algoritmo para cada proyecto deben tomarse en cuenta las características y necesidades específicas, esto determinando la información que se requiere.