XM78 - Fábrica digital y automatizada

INTELIGENCIA ARTIFICIAL 13 electrónicos no deseados lleguen a nuestros buzones. Los sistemas de análisis de imágenes médicas ayudan a los médicos a detectar tumores que podrían haber pasado por alto. Y los primeros coches que se autoconducen están ya saliendo a la carretera. ¿Podemos esperar aúnmás? Amedida que los grandes datos sigan creciendo, que la informática sea más potente y asequible, y que los científicos de los datos sigan desarrollando algoritmos más capaces, el aprendizaje automá- tico impulsará una eficiencia cada vez mayor en nuestras vidas personales y laborales. ¿CÓMO FUNCIONA EL MACHINE LEARNING? El kit de la cuestión no es saber para qué sirve el Machine Learning, sino que saber cómo funciona y cómo poder implementarlo en la industria para aprovecharse de sus beneficios. Se podría decir que hay una serie de 4 pasos básicos para crear una aplica- ción o modelo de Machine Learning. Estos son típicamente realizados por científicos de los datos que trabajan en estrecha colaboración con los pro- fesionales de los negocios para los que se está desarrollando el modelo. Paso 1: Seleccionar y preparar un conjunto de datos de entrenamiento Los datos de entrenamiento son un conjunto de datos representativos de los datos que el modelo de Machine Learning ingerirá para resolver el problema que está diseñado para resolver. En algunos casos, los datos de entrenamiento se etiquetan como datos ‘etiquetados’ para llamar a las características y clasificaciones que el modelo necesitará identif icar. Otros datos no están etiquetados, y el modelo necesitará extraer esas características y asignar clasificaciones por su cuenta. En cualquier caso, los datos de capacitación deben prepararse adecuadamente: aleatorizados, des- doblados y comprobados en busca de desequilibrios o sesgos que puedan afectar a la capacitación. También deben dividirse en dos subconjuntos: el subconjunto de capacitación, que se utilizará para entrenar la aplicación, y el subconjunto de evaluación, que se utilizará para probarla y perfeccionarla. Paso 2: Elegir un algoritmo para ejecutarlo en el conjunto de datos de entrenamiento Este puede que sea un de los pasos más importantes, ya que se debe elegir qué algoritmo utilizar, siendo este un conjunto de pasos de procesa- miento estadístico. El tipo de algoritmo depende del tipo (con o sin etiqueta) y la cantidad de datos del conjunto de datos de entrenamiento y del tipo de problema que se debe resolver. Entre los tipos comunes de algoritmos de aprendizaje automático que se utilizan con los datos etiquetados se incluyen los siguientes: 1. Algoritmos de regresión: la regre- sión lineal y logística son ejemplos de algoritmos de regresión utiliza- dos para comprender las relaciones en los datos. La regresión lineal se utiliza para predecir el valor de una