Esquema del problema de machine learning

Contenido del Bootcamp Dirigido por: | Última modificación: 16 de abril de 2024 | Tiempo de Lectura: 2 minutos

Algunos de nuestros reconocimientos:

Premios KeepCoding

¿Sabías que existe un esquema del problema de machine learning? En este artículo te contaremos en qué consiste.

¿Qué es el esquema del problema de machine learning?

El esquema del problema de machine learning se podría resumir del siguiente modo: tenemos unos datos y tenemos un modelo. De ese modelo tenemos que buscar los parámetros que nos brinden la mejor versión posible de dicho modelo; para ello, utilizamos la función de optimización. Esta función de optimización, valga la redundancia, la tenemos que optimizar por medio de un optimizador.

Cuando ejecutamos el proceso de optimización, que es iterativo y permite resolver todos los tipos de problemas de clasificación, problemas de regresión y resolver un problema cualquiera de aprendizaje automático, nos proporcionará un output o salida.

Este output se denomina output hypothesis.

Output hypothesis o HP

Es posible que hayas oído mencionar el output hypothesis. Este concepto está desarrollado principalmente en el área de la enseñanza de las lenguas y hace referencia al hecho del esfuerzo que un hablante aprendiz debe hacer para poder ser entendido por su interlocutor.

En cuando el hablante se da cuenta de que sus palabras no se comprenden, esto favorecerá su proceso de adquisición, ya que se verá forzado a utilizar un educto más preciso, con lo que su acercamiento a la lengua meta será mayor.

Así pues, en nuestro problema de machine learning, el HP hace referencia al modelo matemático que estamos tratando.

Veamos un ejemplo en el que tenemos unos datos y creemos que el modelo que mejor puede marchar con estos datos es la función lineal. Entonces, cuando tenemos estos datos, decimos que nuestros datos pueden estar modelados por una función lineal.

problema de machine learning

Como ya sabemos, la función lineal viene dada por la siguiente ecuación:

y = ax + b

En este caso, la ecuación sería nuestra output hyphotesis, nuestro modelo matemático. Estamos diciendo que tenemos unos datos que pueden ser modelados por una forma y que esa forma es la función lineal que pintamos arriba.

En estos casos, cuando hablamos de estos modelos matemáticos, lo que solemos decir es que nuestra hipótesis tiene una forma lineal.

En este caso hemos visto que había dos tipos de hipótesis:

  • Su cardinalidad es infinita. Esta hipótesis se representa así: lHl =
  • Su cardinalidad no es infinita. La hipotesis se representaría así: lHl

La primera HP hace referencia a que se pueden tomar los valores que se quiera. En nuestro caso, si nos fijamos, a y b pueden tomar cualquier valor real, infinito. Este en el caso de nuestro modelo en el problema de machine learning.

En el caso de la función de optimización todo es distinto, ya que entra en juego el concepto de loss function.

¿Quieres seguir aprendiendo sobre Big Data?

El Big Data es una de las áreas en las que más trabajos se ofertan. Si quieres seguir entendiendo acerca del problema de machine learning y ser uno de los afortunados preparados para acceder a este tipo de opciones laborales, tenemos para ti el Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp, una formación intensiva en la que adquirirás todos los conocimientos teóricos y prácticos que te permitirán obtener el trabajo de tus sueños. ¡No esperes más para seguir tu camino hacia el éxito y piede más información ahora!

Posts más leídos

¡CONVOCATORIA ABIERTA!

Big Data, IA & Machine Learning

Full Stack Bootcamp

Clases en Directo | Profesores en Activo | Temario 100% actualizado