Diez principales algoritmos de inteligencia artificial
Los diez principales algoritmos de inteligencia artificial son los siguientes
La regresión lineal puede ser el algoritmo de aprendizaje automático más popular. La regresión lineal consiste en encontrar una línea recta y hacer que esta línea recta se ajuste lo más posible a los puntos de datos en el diagrama de dispersión. Intenta representar las variables independientes (valores x?) y los resultados numéricos (valores y?) ajustando una ecuación en línea recta a estos datos. ¡Esta línea luego se puede usar para predecir valores futuros!
La regresión logística es similar a la regresión lineal, pero se utiliza cuando la salida es binaria (es decir, cuando el resultado sólo puede tener dos valores posibles). La predicción del resultado final es una función no lineal de tipo S, llamada función logística, g().
Los árboles de decisión se pueden utilizar para tareas de regresión y clasificación.
Naive Bayes se basa en el teorema de Bayes. Mide la probabilidad de cada clase y la probabilidad condicional de cada clase da el valor de ?x?. Este algoritmo se utiliza para problemas de clasificación y produce un resultado binario de sí?/?no. Eche un vistazo a la siguiente ecuación.
Support Vector Machine (SVM) es un algoritmo supervisado para problemas de clasificación. Una máquina de vectores de soporte intenta dibujar dos líneas entre puntos de datos con el mayor margen entre ellos. Para hacer esto, trazamos elementos de datos como puntos en un espacio de n dimensiones, donde n es el número de características de entrada. Sobre esta base, la máquina de vectores de soporte encuentra un límite óptimo, llamado hiperplano, que separa mejor las posibles salidas por etiquetas de clase.
El algoritmo K-Vecinos más cercanos (KNN) es muy simple. KNN clasifica objetos buscando en todo el conjunto de entrenamiento las K instancias más similares, es decir, K vecinos, y asignando una variable de salida común a todas estas K instancias.
K-means (K-means) se agrupa clasificando el conjunto de datos. Por ejemplo, este algoritmo se puede utilizar para agrupar usuarios según el historial de compras. Encuentra ?K? grupos en el conjunto de datos. K-means se utiliza para el aprendizaje no supervisado, por lo que solo necesitamos los datos de entrenamiento, ?X, y la cantidad de clústeres que queremos identificar, ?K.
Random Forest (Random Forest) es un algoritmo de aprendizaje automático conjunto muy popular. La idea básica de este algoritmo es que las opiniones de muchas personas son más precisas que las opiniones de un solo individuo. En un bosque aleatorio, utilizamos un conjunto de árboles de decisión (ver Árboles de decisión).
Los problemas del aprendizaje automático se han vuelto más complejos debido al gran volumen de datos que podemos capturar hoy en día. Esto significa que el entrenamiento es extremadamente lento y encontrar una buena solución es difícil. Este problema a menudo se denomina "maldición de la dimensionalidad".
Las redes neuronales artificiales (RNA) pueden manejar tareas de aprendizaje automático grandes y complejas. Una red neuronal es esencialmente un conjunto de capas interconectadas compuestas de bordes y nodos ponderados, llamados neuronas. Entre la capa de entrada y la capa de salida, podemos insertar múltiples capas ocultas. Las redes neuronales artificiales utilizan dos capas ocultas. Más allá de eso, es necesario abordar el aprendizaje profundo.