Aprendizaje Iterativo
¿Qué permite?
Modelos a entrenar con conjutos de datos
Modelos
Están online y son continuos
Fig. 3Mejora en los tipos de asociaciones
Hechas entre los elementos de datos
Fig. 4Complejidad y tamaño
Patrones y asociaciones en tiempo real para aprender de los datos
Mejoras en precisión
Resultado del proceso de entrenamiento de la automatización
Comienza típicamente con un conjunto establecido de datos y una cierta comprensión de cómo se clasifican estos datos.
Tiene la intención de encontrar patrones en datos que se pueden aplicar a un proceso de analítica
Fig. 7: https://cdn-icons-png.flaticon.com/512/850/850960.pngFig. 7
Fig. 8
Es un modelo de aprendizaje conductual. El algoritmo recibe retroalimentación del análisis de datos, conduciendo el usuario hacia el mejor resultado.
El aprendizaje de refuerzo difiere de otros tipos de aprendizaje supervisado, porque el sistema no está entrenado con el conjunto de datos de ejemplo.
Fig. 8: https://cdn-icons.flaticon.com/png/512/2977/premium/2977904.pngMétodo específico de machine learning que incorpora las redes neuronales en capas sucesivas para aprender de los datos de manera iterativa. El deep learning es especialmente útil cuando se trata de aprender patrones de datos no estructurados. Las redes neuronales complejas de deep learning están diseñadas para emular cómo funciona el cerebro humano, así que las computadoras pueden ser entrenadas para lidiar con abstracciones y problemas mal definidos. Las redes neuronales y el deep learning se utilizan a menudo en el reconocimiento de imágenes, voz y aplicaciones de visión de computadora.
Fig. 9: https://cdn-icons.flaticon.com/png/512/709/premium/709043.pngFig. 9