Los paradigmas de aprendizaje son mecanismos que permiten procesar la información y transformarla en conocimiento.
Existen cuatro tipos de paradigma de aprendizaje:
Aprendizaje supervisado
El aprendizaje supervisado tiene como objetivo encontrar una relación existente
entre los datos de entrada y la salida. Este aprendizaje podemos verlo en dos situaciones:
a) Clasificación: tenemos una serie de datos que deseamos catalogar, este es el paradigma y la situación que empleamos en nuestro proyecto, en nuestro caso los datos a catalogar son los tumores, ya que queremos un sistema que sea capaz de diferenciar que tipo de tumor, si es que tiene, es el que padece el paciente, esto a partir de unos datos de entrada, que son las imágenes MRI, y un vector de salida que determina que clase es, el sistema deberá ir encontrando una relación entre esas imágenes y las clases para poder determinar con qué tipo de tumor estamos tratando.
Ilustración 12: Clasificación Perros/Gatos (ref.)
b) Regresión: este se emplea en datos cuantitativos que deseamos asociar de manera estadística, se utiliza sobre todo en el análisis de mercado. Por ejemplo, cantidad de compras realizadas por meses. En este grupo tenemos las regresiones lineales, no lineales, simple, multivariables.
Ilustración 13: Regresión lineal y no lineal (ref.)
Aprendizaje no supervisado
En este segundo tipo de aprendizaje solo tenemos datos entrantes. No existen una salida específica o mejor dicho no es necesario conocer esta salida, el objetivo de este aprendizaje es modelar la distribución de los datos.
El aprendizaje no supervisado está compuesto o puede verse en tres prácticas diferentes:
a) Agrupación: cuya función es descubrir las distintas agrupaciones de los datos.
Ilustración 14: Agrupación (ref.)
b) Análisis de asociaciones: esta tiene como objetivo hallar las reglas con las que se puedan describir de manera eficiente la mayor parte de los datos. Aquí podemos encontrar el embedding, que es una manera de asociar las agrupaciones de palabras en el Procesamiento del Lenguaje Natural (NLP). Para entender esto imaginemos que tenemos un dataset con las siguientes palabras:
o Fútbol, baloncesto, rojo, amarillo, pizza y hamburguesa.
En el análisis de asociaciones se trataría de descubrir las similitudes, en cuanto a
contexto se refieren, entre las palabras. Fútbol y baloncesto son deportes, amarillo y
rojo son colores y pizza, y hamburguesas son comida.
Ilustración 15: Embendding análisis de asociaciones (ref.)
c) Estimación cuantil: con la que podemos comprobar la cantidad de elementos de un tipo o realizar predicciones probabilísticas.
Ilustración 16: Ejemplo de cuantil (ref.)
Aprendizaje de refuerzo
Este aprendizaje se utiliza principalmente en robótica y videojuegos, se basa en otorgar al agente inteligente un premio por cada avance que mejore o le acerque cada vez más a su objetivo de manera eficiente. Es decir, pongámonos en la situación de que creamos una IA que aprenda a jugar al Pac-man, este juego se basa en escapar de unos fantasmas mientras recogemos todas las bolas blancas, estas bolas funcionarían como el reward o premio para nuestro agente, cuantas más consiga recoger más se acerca a la solución del problema inicial, para ello Pac-man ira jugando, aprendiendo y “memorizando” las rutas que le han dado mejores resultado e ira probando y distintos movimientos hasta que consiga una mejorar el resultado previo, esto se repetirá hasta que logre alcanzar su objetivo.
Ilustración 17: Paradigma aprendizaje reforzado (ref.)
Aprendizaje semi-supervisado
En el aprendizaje semi-supervisado, es una técnica de aprendizaje que aprovecha los principios de dos otros dos paradigmas, el supervisado y el no supervisado, en este aprendizaje solo una pequeña porción de los datos esta etiquetado, el resto no tiene etiqueta, los investigadores descubrieron que esto ayuda al aprendizaje de la máquina haciéndola más precisa en su tarea.
Comments