Contenido principal
Principios de ciencias de la computación avanzados (AP Computer Science Principles)
Curso: Principios de ciencias de la computación avanzados (AP Computer Science Principles) > Unidad 5
Lección 3: Sesgo en el aprendizaje automáticoAlgoritmos de aprendizaje automático
El aprendizaje automático (ML en inglés) es un tipo de algoritmo que se mejora automáticamente a sí mismo basado en la experiencia, no por un programador que escribe un mejor algoritmo. El algoritmo gana experiencia al procesar más y más datos, y luego modificándose basado en las propiedades de los datos.
Tipos de aprendizaje automático
Hay muchas variedades de técnicas de aprendizaje automático, pero aquí hay tres enfoques generales:
- Aprendizaje reforzado: El algoritmo ejecuta las acciones que serán las más recompensadas. Con frecuencia se usa en IA para juegos, o en robots de navegación.
- Aprendizaje automático no supervisado: El algoritmo encuentra patrones en los datos no etiquetados al agrupar e identificar similaridades entre ellos. Usos populares incluyen sistemas de recomendación y publicidad enfocada.
- Aprendizaje automático supervisado: El algoritmo analiza los datos etiquetados y aprende a asignar etiquetas de salida a datos de entrada. A menudo se usa para clasificación y predicción.
Sumerjamonos en uno de los enfoques más comunes para entender mejor cómo funciona un algoritmo de aprendizaje automático.
Redes neuronales
Un enfoque cada vez más popular para el aprendizaje automático supervisado es la red neuronal. Una red neuronal opera de manera similar a cómo pensamos que funcionan los cerebros, con entradas que fluyen a través de muchas capas de "neuronas", y que eventualmente llevan a una salida.
Entrenamiento de una red
Los programadores de computadoras en realidad no programan cada neurona. Más bien entrenan una red neuronal mediante una cantidad masiva de datos etiquetados.
Los datos de entrenamiento dependen del objetivo de la red. Si su propósito es clasificar imágenes, un conjunto de datos de entrenamiento podría contener miles de imágenes etiquetadas como "ave", "avión", etc.
El objetivo de la fase de entrenamiento es determinar los pesos para las conexiones entre neuronas, que clasificarán correctamente los datos de entrenamiento.
La red neuronal comienza con todos los pesos inicializados a valores aleatorios, por lo que sus clasificaciones iniciales están muy lejos de ser las correctas. Sin embargo, aprende de sus errores, y finalmente encuentra un conjunto de pesos que realizan el mejor trabajo posible para clasificar todos los datos de entrenamiento.
Uso de la red
Cuando se le pide a la red neuronal que clasifique una imagen, usa los pesos aprendidos y produce como salida las posibles clases y sus probabilidades correspondientes.
Precisión
La precisión de una red neuronal depende en gran medida de sus datos de entrenamiento, tanto en cantidad como en diversidad. ¿Ha visto la red el objeto desde múltiples ángulos y condiciones de iluminación? ¿Ha visto realmente todas la variedades de ese objeto? Si queremos que una red neural entienda realmente nuestro mundo, necesitamos exponerla a su inmensa diversidad.
Las empresas, los gobiernos y las instituciones están utilizando cada vez más el aprendizaje automático para tomar decisiones por ellos. A menudo lo llaman "inteligencia artificial", pero un algoritmo de aprendizaje automático es sólo tan inteligente como sus datos de entrenamiento. Si los datos de entrenamiento son sesgados, el algoritmo es sesgado, y por desgracia los datos de entrenamiento frecuentemente son sesgados.
En los siguientes artículos, exploraremos las ramificaciones de dejar que las máquinas tomen decisiones basadas en datos sesgados.
🙋🏽🙋🏻♀️🙋🏿♂️¿TIenes alguna pregunta sobre este tema? ¡Nos encantaría responderte; tan solo pregunta en el área de preguntas más abajo!
¿Quieres unirte a la conversación?
Sin publicaciones aún.