Aprendizaje

El aprendizaje es un proceso que ayuda a un sistema informático a mejorar su rendimiento en una tarea.

Los modelos más básicos de Inteligencia Artificial no pueden aprender por sí mismos, sino que necesitan que una persona recopile y represente ese contenido.

Aprendizaje Supervisado

El aprendizaje automático es una disciplina dentro de la IA que desarrolla algoritmos informáticos que evolucionan mediante experiencia y datos.

Se llama dataset al conjunto de datos utilizados en un problema de clasificación:

• $A=\{A_1,A_2,\dots ,A_{\mid A|}\}$ es un conjunto de registros (o ejemplos) descritos por un conjunto de atributos.
• $C=\{c_1,c_2,\dots ,c_{\mid C|}\}$ es un conjunto de clases. Cada registro pertenece a una clase.

Se busca usar un modelo para representar el Conocimiento del dataset. Se quiere, a partir de datos históricos, clasificar nuevos datos. Esto es el aprendizaje supervisado. El dataset se divide en:

• Conjunto de entrenamiento: para definir el modelo.
• Conjunto de test: para evaluar la precisión del modelo.

flowchart LR
subgraph S1 [Fase de entrenamiento]
    A[(Learning
    data)] --> B[Learning
    algorithm]
end

B--> C([Model])

subgraph S2 [Fase de prueba]
    D[(Test
    data)] --> E([Accuracy])
end

C --> D

Inicialmente el modelo no existe, sino que se va construyendo durante el proceso de aprendizaje. Existen muchas métricas para evaluar la precisión del modelo, por ejemplo:

$\text{Accuracy}=\frac{\text{Correct predictions}}{\text{All predictions}}$

Se dice que el entrenamiento de este modelo es offline porque el modelo no aprende durante su funcionamiento normal.

Aprendizaje No Supervisado

En algunos casos, los datos no están etiquetados y el usuario necesita explorar los datos para encontrar estructuras intrínsecas (patrones) en ellos. Esto se considera aprendizaje no supervisado. Clustering es la técnica más común para identificar esos patrones.