Esquema del aprendizaje automático

El siguiente esquema se proporciona como descripción general y guía temática del aprendizaje automático:

Aprendizaje automático : un subcampo de la informática blanda dentro de la ciencia informática que evolucionó a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en inteligencia artificial .^[1] En 1959, Arthur Samuel definió el aprendizaje automático como un "campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente".^[2] El aprendizaje automático implica el estudio y la construcción de algoritmos que pueden aprender y hacer predicciones sobre los datos .^[3] Estos algoritmos operan construyendo un modelo a partir de un conjunto de entrenamiento de ejemplode observaciones de entrada para hacer predicciones o decisiones basadas en datos expresadas como resultados, en lugar de seguir instrucciones de programa estrictamente estáticas.

Quétipo¿Qué es el aprendizaje automático?

Una disciplina académica
Una rama de la ciencia
- Una ciencia aplicada
  - Un subcampo de la informática
    - Una rama de la inteligencia artificial
    - Un subcampo de la informática blanda
    - Aplicación de la estadística

Paradigmas del aprendizaje automático

Aprendizaje supervisado : donde el modelo se entrena con datos etiquetados.
Aprendizaje no supervisado : donde el modelo intenta identificar patrones en datos no etiquetados
Aprendizaje por refuerzo : donde el modelo aprende a tomar decisiones al recibir recompensas o sanciones.

Aplicaciones del aprendizaje automático

Aplicaciones del aprendizaje automático
Bioinformática
Informática biomédica
Visión por computadora
Gestión de relaciones con el cliente –
Minería de datos
Ciencias de la tierra
Filtrado de correo electrónico
Péndulo invertido – sistema de equilibrio y contrapeso.
Procesamiento del lenguaje natural (PLN)
Reconocimiento de patrones
Sistema de recomendación
- Filtrado colaborativo
- Filtrado basado en contenido
- Sistemas de recomendación híbridos (filtrado colaborativo y basado en contenido)
Motor de búsqueda
- Optimización de motores de búsqueda
Ingeniería social

Hardware de aprendizaje automático

Herramientas de aprendizaje automático

Comparación de software de aprendizaje profundo

Marcos de aprendizaje automático

Marcos de aprendizaje automático propietarios

Aprendizaje automático de Amazon
Estudio de aprendizaje automático de Microsoft Azure
DistBelief – reemplazado por TensorFlow

Marcos de aprendizaje automático de código abierto

Apache Singa
Apache MXNet
Café
PyTorch
paquete ml
Flujo tensorial
Antorcha
CNTK
Acuerdo.Net
Jax
MLJ.jl: un marco de aprendizaje automático para Julia

Bibliotecas de aprendizaje automático

Algoritmos de aprendizaje automático

Métodos de aprendizaje automático

Aprendizaje en conjunto

AdaBoost
Impulsando
Agregación de Bootstrap (Bagging)
Promedio de conjunto : proceso de creación de múltiples modelos y su combinación para producir un resultado deseado, en lugar de crear un solo modelo. Con frecuencia, un conjunto de modelos funciona mejor que cualquier modelo individual, porque los diversos errores de los modelos se "promedian".
Árbol de decisión potenciado por gradiente (GBDT)
Máquina de refuerzo de gradiente (GBM)
Bosque aleatorio
Generalización apilada (combinación)

Metaaprendizaje

Aprendizaje por refuerzo

Aprendizaje supervisado

Estimadores de una dependencia promediados (AODE)
Red neuronal artificial
Razonamiento basado en casos
Regresión del proceso gaussiano
Programación de la expresión genética
Método de tratamiento de datos por grupos (GMDH)
Programación lógica inductiva
Aprendizaje basado en instancias
Aprendizaje perezoso
Autómatas de aprendizaje
Aprendiendo cuantificación vectorial
Árbol modelo logístico
Longitud mínima del mensaje (árboles de decisión, gráficos de decisión, etc.)
- Algoritmo del vecino más cercano
- Modelado analógico
Aprendizaje probablemente aproximadamente correcto (PAC)
Reglas de ondulación descendente , una metodología de adquisición de conocimiento
Algoritmos de aprendizaje automático simbólico
Máquinas de vectores de soporte
Bosques aleatorios
Conjuntos de clasificadores
- Agregación de bootstrap (empaquetado)
- Impulso (meta-algoritmo)
Clasificación ordinal
Campo aleatorio condicional
Análisis de varianza
Clasificadores cuadráticos
k-vecino más cercano
Impulsando
- SPRINT
Redes bayesianas
- Bayes ingenuo
Modelos ocultos de Markov
- Modelo jerárquico oculto de Markov

Bayesiano

Estadísticas bayesianas

Base de conocimiento bayesiana
Bayes ingenuo
Bayes ingenuo gaussiano
Bayes ingenuo multinomial
Estimadores de una dependencia promediados (AODE)
Red de creencias bayesianas (BBN)
Red bayesiana (BN)

Algoritmos de árboles de decisión

Algoritmo de árbol de decisión

Árbol de decisión
Árbol de clasificación y regresión (CART)
Dicotómico iterativo 3 (ID3)
Algoritmo C4.5
Algoritmo C5.0
Detección automática de interacciones mediante chi-cuadrado (CHAID)
Tocón de decisión
Árbol de decisión condicional
Algoritmo ID3
Bosque aleatorio
SLIQ

Clasificador lineal

Aprendizaje no supervisado

Redes neuronales artificiales

Red neuronal artificial

Aprendizaje de reglas de asociación

Agrupamiento jerárquico

Análisis de conglomerados

Detección de anomalías

Algoritmo de k vecinos más cercanos ( k -NN)
Factor de valor atípico local

Aprendizaje semisupervisado

Aprendizaje activo : caso especial de aprendizaje semisupervisado en el que un algoritmo de aprendizaje puede consultar de forma interactiva al usuario (o alguna otra fuente de información) para obtener los resultados deseados en nuevos puntos de datos. ^[4]^[5]
Modelos generativos
Separación de baja densidad
Métodos basados en gráficos
Co-entrenamiento
Transducción

Aprendizaje profundo

Redes de creencias profundas
Máquinas de Boltzmann profundas
Redes neuronales convolucionales profundas
Redes neuronales recurrentes profundas
Memoria temporal jerárquica
Red generativa antagónica
- Transferencia de estilo
Transformador
Codificadores automáticos apilados

Otros métodos y problemas de aprendizaje automático

Investigación sobre aprendizaje automático

Historia del aprendizaje automático

Cronología del aprendizaje automático

Proyectos de aprendizaje automático

Organizaciones de aprendizaje automático

Conferencias y talleres sobre aprendizaje automático

Inteligencia artificial y seguridad (AISec) (taller conjunto con CCS)
Conferencia sobre sistemas de procesamiento de información neuronal (NIPS)
PKDD de ECML
Conferencia internacional sobre aprendizaje automático (ICML)
ML4ALL (Aprendizaje automático para todos)

Publicaciones sobre aprendizaje automático

Libros sobre aprendizaje automático

Matemáticas para el aprendizaje automático
Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow
El libro de cien páginas sobre aprendizaje automático

Revistas de aprendizaje automático

Aprendizaje automático
Revista de investigación en aprendizaje automático (JMLR)
Computación neuronal

Personas influyentes en el aprendizaje automático

Alberto Broggi
Andrei Knyazev
Andrew McCallum
Andrés Ng
Anuraag Jain
Armin B. Cremers
Ayanna Howard
Barney Pell
Ben Goertzel
Ben Taskar
Bernhard Schölkopf
Brian D. Ripley
Christopher G. Atkeson
Corinna Cortes
Demis Hassabis
Douglas Lenat
Eric Xing
Ernst Dickmann
Geoffrey Hinton , coinventor de los algoritmos de entrenamiento de divergencia contrastiva y retropropagación
Hans-Peter Kriegel
Hartmut Neven
Heikki Mannila
Ian Goodfellow : padre de las redes generativas y adversarias
Jacek M. Zurada
Jaime Carbonell
Jeremy eslovaco
Jerome H. Friedman
John D. Lafferty
John Platt : inventó el SMO y la escala Platt
Julie Beth Lovins
Jürgen Schmidhuber
Libro de Karl Stein
Katia Sycara
Leo Breiman – inventó el bagging y los bosques aleatorios
Lise Getoor
Luca María Gambardella
León Bottou
Marcus Hutter
Mehryar Mohri
Michael Collins
Michael I. Jordan
Michael L. Littman
Nando de Freitas
Oferta Dekel
Oren Etzioni
Pedro Domingos
Pedro Flach
Pierre Baldi
Pushmeet Kohli
Ray Kurzweil
Rayid Ghani
Ross Quinlan
Salvatore J. Stolfo
Sebastián Thrun
Selmer Bringsjord
Sepp Hochreiter
Shane Legg
Stephen Muggleton
Steve Omohundro
Tom M. Mitchell
Trevor Hastie
Vasant Honavar
Vladimir Vapnik – coinventor de la teoría SVM y VC
Yann LeCun – inventó las redes neuronales convolucionales
Yasuo Matsuyama
Yoshua Bengio
Zoubin Ghahramani

Véase también

Otro

Lectura adicional

Trevor Hastie , Robert Tibshirani y Jerome H. Friedman (2001). Los elementos del aprendizaje estadístico , Springer. ISBN 0-387-95284-5 .
Pedro Domingos (septiembre 2015), El algoritmo maestro , Libros básicos, ISBN 978-0-465-06570-7
Mehryar Mohri , Afshin Rostamizadeh, Ameet Talwalkar (2012). Fundamentos del aprendizaje automático , The MIT Press. ISBN 978-0-262-01825-8 .
Ian H. Witten y Eibe Frank (2011). Minería de datos: herramientas y técnicas prácticas de aprendizaje automático Morgan Kaufmann, 664pp., ISBN 978-0-12-374856-0 .
David JC MacKay . Teoría de la información, inferencia y algoritmos de aprendizaje. Cambridge: Cambridge University Press, 2003. ISBN 0-521-64298-1
Richard O. Duda , Peter E. Hart , David G. Stork (2001) Clasificación de patrones (2.ª edición), Wiley, Nueva York, ISBN 0-471-05669-3 .
Christopher Bishop (1995). Redes neuronales para el reconocimiento de patrones , Oxford University Press. ISBN 0-19-853864-2 .
Vladimir Vapnik (1998). Teoría del aprendizaje estadístico . Wiley-Interscience, ISBN 0-471-03003-1 .
Ray Solomonoff , Una máquina de inferencia inductiva , IRE Convention Record, Sección sobre teoría de la información, parte 2, págs., 56–62, 1957.
Ray Solomonoff , "Una máquina de inferencia inductiva". Un informe distribuido de forma privada de la Conferencia de investigación de verano de Dartmouth de 1956 sobre IA .

Referencias

^ http://www.britannica.com/EBchecked/topic/1116194/machine-learning Esta fuente terciaria reutiliza información de otras fuentes pero no las nombra.
^ Phil Simon (18 de marzo de 2013). Demasiado grande para ignorarlo: el caso empresarial del Big Data. Wiley. pág. 89. ISBN 978-1-118-63817-0.
^ Ron Kohavi; Foster Provost (1998). "Glosario de términos". Aprendizaje automático . 30 : 271–274. doi : 10.1023/A:1007411609915 .
^ Settles, Burr (2010), "Active Learning Literature Survey" (PDF) , Informe técnico de ciencias de la computación 1648. Universidad de Wisconsin-Madison , consultado el 18 de noviembre de 2014
^ Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). "Aprendizaje activo en sistemas de recomendación". En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2.ª ed.). Springer US. doi :10.1007/978-1-4899-7637-6. hdl :11311/1006123. ISBN. 978-1-4899-7637-6.S2CID11569603 .

Enlaces externos

Ciencia de datos: datos para obtener información del MIT (aprendizaje automático)
Curso online popular de Andrew Ng en Coursera. Utiliza GNU Octave . El curso es una versión gratuita del curso real de la Universidad de Stanford impartido por Ng, see.stanford.edu/Course/CS229 disponible de forma gratuita].
mloss es una base de datos académica de software de aprendizaje automático de código abierto.

[Britannica-1] ttp://www.britannica.com/EBchecked/topic/1116194/machine-learning Esta fuente terciaria reutiliza información de otras fuentes pero no las nombra.

[arthur_samuel_machine_learning_def-2] Phil Simon (18 de marzo de 2013). Demasiado grande para ignorarlo: el caso empresarial del Big Data. Wiley. pág. 89. ISBN 978-1-118-63817-0.

[3] Ron Kohavi; Foster Provost (1998). "Glosario de términos". Aprendizaje automático . 30 : 271–274. doi : 10.1023/A:1007411609915 .

[settles-4] Settles, Burr (2010), "Active Learning Literature Survey" (PDF) , Informe técnico de ciencias de la computación 1648. Universidad de Wisconsin-Madison , consultado el 18 de noviembre de 2014

[rubens2016-5] Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). "Aprendizaje activo en sistemas de recomendación". En Ricci, Francesco; Rokach, Lior; Shapira, Bracha (eds.). Manual de sistemas de recomendación (2.ª ed.). Springer US. doi :10.1007/978-1-4899-7637-6. hdl :11311/1006123. ISBN. 978-1-4899-7637-6.S2CID11569603 .