Aprende lecciones de +100 libros. Los mejores resúmenes de los mejores libros. Información condensada, para personas ocupadas.

Algoritmos de aprendizajes sin supervisión.

Los algoritmos de aprendizaje sin supervisión son excelentes para encontrar la estructura y el significado en los datos sin procesar.

¿Alguna vez has notado cómo puedes escuchar cuando alguien dice tu nombre, incluso si se dice en voz baja y estás rodeado de docenas de personas que hablan en voz alta? Tenemos una capacidad impresionante para filtrar la información que nuestros oídos captan y se centran. ¿Podría un algoritmo aprender a hacer lo mismo?

De hecho, el aprendizaje no supervisado es una categoría de algoritmos que están diseñados para usar datos ruidosos y sin procesar.

Los algoritmos en las páginas anteriores han utilizado todos los datos que contienen ejemplos etiquetados para aprender, como ejemplos de diagnósticos correctos o correos electrónicos que han sido etiquetados como spam o no spam.

Sin embargo, los algoritmos de agrupamiento son un grupo de estudiantes sin supervisión que pueden descubrir categorías a partir de grandes cantidades de datos sin procesar.

Este es el tipo de algoritmo que se puede usar en el software de reconocimiento de imagen o aislamiento de voz, que puede identificar una cara u objeto entre millones de píxeles, o destacar una voz en una multitud ruidosa.

Estos algoritmos pueden encontrar estructuras significativas como estas al reducir la dimensionalidad de los datos al llevar la descripción de lo que estás buscando a sus principales elementos esenciales.

Los artistas de bocetos, por ejemplo, pueden reproducir caras con tanta precisión porque memorizan diez variaciones diferentes de cada rasgo facial: nariz, ojos, oídos, etc. Esto reduce considerablemente sus opciones, lo que hace posible producir un dibujo aceptable basado solo en una descripción. Del mismo modo, los algoritmos de reconocimiento facial, después de preprocesar todas las diferentes opciones, solo necesitan comparar unos cientos de variables en lugar de un millón de píxeles.

Las redes neuronales son otra forma efectiva de procesar cantidades masivas de datos en bruto.

Mientras que otros algoritmos procesan datos secuencialmente, las redes neuronales funcionan como un cerebro y procesan múltiples entradas al mismo tiempo.

Una de las redes neuronales más grandes jamás creada pasó tres días revisando diez millones de videos de YouTube seleccionados al azar. Y sin que se les dijera qué buscar, el programa aprendió a reconocer rostros humanos y, tal vez como era de esperar, gatos.

Ahora que conoces todos estos algoritmos diferentes, seguramente has comenzado a preguntarte qué sucedería si se combinaran en un algoritmo maestro. Bueno, descubrámoslo.