Conceptos básicos del desarrollo de IA
El aprendizaje automático se clasifica en aprendizaje supervisado, no supervisado y de refuerzo.
- El aprendizaje supervisado utiliza muestras etiquetadas para ajustar los parámetros de los clasificadores para lograr el rendimiento requerido. Se puede considerar como un aprendizaje con un maestro. El aprendizaje supervisado común incluye regresión y clasificación.
- El aprendizaje no supervisado se utiliza para encontrar las estructuras ocultas en datos sin etiquetar. El agrupamiento es una forma de aprendizaje no supervisado.
- El aprendizaje reforzado es un área del aprendizaje automático que se ocupa de cómo los agentes de software deben tomar acciones en un entorno para maximizar alguna noción de recompensa acumulada.
Regresión
La regresión refleja la característica de tiempo de los atributos de datos y genera una función que asigna un atributo de datos a una predicción de variable real para encontrar la dependencia entre la variable y el atributo. La regresión analiza principalmente los datos y predice la relación entre los datos y los datos. La regresión se puede utilizar para el desarrollo de clientes, la retención, la prevención de la rotación de clientes, el análisis del ciclo de vida de la producción, la predicción de tendencias de ventas y la promoción dirigida.
Clasificación
La clasificación implica definir un conjunto de categorías basadas en las características comunes de los objetos e identificar a qué categoría pertenece un objeto. La clasificación se puede utilizar para la clasificación de clientes, propiedades de clientes, análisis de características, análisis de satisfacción de clientes y predicción de tendencias de compra de clientes.
Clusterización
La clusterización consiste en agrupar un conjunto de objetos de manera que los objetos de un mismo grupo sean más similares entre sí que los de otros grupos. La clusterización se puede utilizar para la segmentación de clientes, análisis de características de clientes, predicción de tendencias de compra de clientes y segmentación de mercado.
La clusterización analizan los objetos de datos y produce etiquetas de clase. Los objetos se agrupan según las similitudes maximizadas y minimizadas para formar clústeres. De esta manera, los objetos en el mismo clúster son más similares entre sí que los de otros clústeres.
