El auge de AutoML
Por Ben Avner, cofundador y CTO, Matchly.
El concepto de aprendizaje automático surgió por primera vez cuando Alan Turing escribió un artículo sobre la capacidad de las máquinas para lograr inteligencia artificial. En 1957, Frank Rosenblatt diseñó la primera red neuronal, llamada algoritmo perceptrón. Se llaman redes neuronales porque se cree que están diseñadas en base a una forma simplista de cómo funciona el cerebro para procesar información. Aunque hubo algunas aplicaciones tempranas reales para el aprendizaje automático, como la red Madaline, que podía eliminar el eco de fondo de las líneas telefónicas, no volvería a estar en primer plano hasta que surgieron las aplicaciones de visión por computadora en 2012.
En 2012, AlexNet, una red neuronal profunda diseñada por Alex Krizhevsky, obtuvo una precisión del 84 % en la competencia de clasificación de imágenes de Imagenet. El mejor resultado anterior fue del 74%. Fue entonces cuando comenzó la adopción generalizada del aprendizaje automático para resolver problemas de visión artificial. El aprendizaje automático profundo se convirtió rápidamente en la norma y superó a los humanos en muchas tareas. Los ejemplos incluyen los proyectos de cáncer de mama y retinopatía diabética de Google.
ML funciona alimentando una red neuronal con grandes cantidades de datos y haciendo que aprenda patrones ajustando los niveles de activación de las neuronas dentro de la red. Puede resolver una amplia variedad de problemas para muchos tipos de datos diferentes.
¿Qué tipos de ML existen?Existen muchas técnicas para producir modelos ML. Algunas de estas técnicas incluyen:
• Incorporaciones: una técnica para tomar conjuntos de datos y convertirlos de un espacio de alta dimensión a un espacio de baja dimensión. Esto nos permite tomar un conjunto de datos muy complejo y hacerlo más fácil de usar.
• Regresión lineal: una técnica que permite modelar de forma rápida y eficiente la relación entre una respuesta escalar y una o más variables explicativas.
• Árboles: una técnica que usa un árbol de decisión para representar cómo se pueden usar diferentes variables de entrada para predecir un valor objetivo.
• Investigación de la arquitectura neuronal: una técnica de automatización...
Por Ben Avner, cofundador y CTO, Matchly.
El concepto de aprendizaje automático surgió por primera vez cuando Alan Turing escribió un artículo sobre la capacidad de las máquinas para lograr inteligencia artificial. En 1957, Frank Rosenblatt diseñó la primera red neuronal, llamada algoritmo perceptrón. Se llaman redes neuronales porque se cree que están diseñadas en base a una forma simplista de cómo funciona el cerebro para procesar información. Aunque hubo algunas aplicaciones tempranas reales para el aprendizaje automático, como la red Madaline, que podía eliminar el eco de fondo de las líneas telefónicas, no volvería a estar en primer plano hasta que surgieron las aplicaciones de visión por computadora en 2012.
En 2012, AlexNet, una red neuronal profunda diseñada por Alex Krizhevsky, obtuvo una precisión del 84 % en la competencia de clasificación de imágenes de Imagenet. El mejor resultado anterior fue del 74%. Fue entonces cuando comenzó la adopción generalizada del aprendizaje automático para resolver problemas de visión artificial. El aprendizaje automático profundo se convirtió rápidamente en la norma y superó a los humanos en muchas tareas. Los ejemplos incluyen los proyectos de cáncer de mama y retinopatía diabética de Google.
ML funciona alimentando una red neuronal con grandes cantidades de datos y haciendo que aprenda patrones ajustando los niveles de activación de las neuronas dentro de la red. Puede resolver una amplia variedad de problemas para muchos tipos de datos diferentes.
¿Qué tipos de ML existen?Existen muchas técnicas para producir modelos ML. Algunas de estas técnicas incluyen:
• Incorporaciones: una técnica para tomar conjuntos de datos y convertirlos de un espacio de alta dimensión a un espacio de baja dimensión. Esto nos permite tomar un conjunto de datos muy complejo y hacerlo más fácil de usar.
• Regresión lineal: una técnica que permite modelar de forma rápida y eficiente la relación entre una respuesta escalar y una o más variables explicativas.
• Árboles: una técnica que usa un árbol de decisión para representar cómo se pueden usar diferentes variables de entrada para predecir un valor objetivo.
• Investigación de la arquitectura neuronal: una técnica de automatización...
What's Your Reaction?
