Tipos de Aprendizaje

Tipos de Aprendizaje

1. Las redes neuronales manejan dos tipos de información. La primera, es la información volátil, que se refiere a los datos que se están usando y varían con la dinámica de la computación de la red, se encuentra almacenada en el estado dinámico de las neuronas.

   • Aprendizaje supervisado
     • En los algoritmos de aprendizaje supervisado se genera un modelo predictivo, basado en datos de entrada y salida. La palabra clave “supervisado” viene de la idea de tener un conjunto de datos previamente etiquetado y clasificado
     • Algunos métodos y algoritmos que podemos implementar son los siguientes
       • K vecinos más próximos (K-nearest neighbors) Redes neuronales artificiales (Artificial neural networks) Máquinas de vectores de soporte (Support vector machines) Clasificador Bayesiano ingenuo (Naïve Bayes classifier) Árboles de decisión (Decision trees) Regresión logística (Logistic regression)
   • Aprendizaje no supervisado (Unsupervised machine learning)
     • Los algoritmos de aprendizaje no supervisado trabajan de forma muy similar a los supervisados, con la diferencia de que éstos solo ajustan su modelo predictivo tomando en cuenta los datos de entrada, sin importar los de salida
     • Entre los principales algoritmos de tipo no supervisado destacan:
       • K-medias (K-means) Mezcla de Gaussianas (Gaussian mixtures) Agrupamiento jerárquico (Hierarchical clustering) Mapas auto-organizados (Self-organizing maps)
   • Aprendizaje por refuerzo (Reinforcement learning)
     • Los algoritmos de aprendizaje por refuerzo definen modelos y funciones enfocadas en maximizar una medida de “recompensas”, basados en “acciones” y al ambiente en el que el agente inteligente se desempeñará.
     • Programación dinámica (Dynamic programming) Q-learning SARSA