Tipos de algoritmos de Inteligencia Artificial

/ Tipos de algoritmos de Inteligencia Artificial

La creación de IA tiene dos fundamentos básicos: los datos y los algoritmos. Los algoritmos son los que le dicen a la máquina qué debe hacer. Por otro lado, los datos hacen que la máquina pueda aprender a ejecutar las instrucciones y perfeccionar su uso.

En Tenea te explicamos cómo funciona la IA para poder implementarla en tu empresa y asesorarte en cómo evolucionar tecnológicamente, puede contactar con nosotros a través del formulario para un trato más personalizado, ahora comencemos informando de algunos de los algoritmos principales en el campo del Machine Learning:

Aprendizaje por refuerzo
(RL, Reinforcement Learning)

Obtiene resultados, patrones, caminos, correlaciones y conclusiones basadas en experiencias anteriores que ha generado la propia máquina. Los algoritmos de este tipo de aprendizaje basan su funcionamiento en la prueba y error.

Un ejemplo de este tipo de algoritmo es AphaZero, un sistema desarrollado por DeepMind que enseña a la máquina a jugar una partida de ajedrez y la recompensa cada vez que consigue su objetivo.

Principales algoritmos empleados en el aprendizaje por refuerzo (RL, Reinforcement Learning):

• Programación dinámica (dynamic programming)
• Q-Learning
• SARSA (State-action-reward-state-action)

Aprendizaje supervisado
(Supervised machine learning)

El aprendizaje supervisado utiliza modelos predictivos a partir de datos de entrenamiento. Es decir, utiliza un conjunto de datos etiquetados con el fin de entrenar un algoritmo para hacer tareas concretas.

Este tipo de aprendizaje resuelve problemas conocidos como por ejemplo: predecir cuántas personas hay en la imagen o cuáles son los defectos de un producto concreto. El aprendizaje supervisado hace que los algoritmos puedan aprender de datos históricos (de entrenamiento) y los atribuyan a entradas desconocidas con la intención de obtener la salida correcta. Podemos ver este tipo de aprendizaje en los coches automáticos.

Principales algoritmos empleados en el aprendizaje supervisado (Supervised machine learning):

• Árboles de decisión
• Gradient Boosting Machine.
• Clasificaciones Naive Bayes
• Regresión ordinaria por mínimos de cuadrados
• Regresión logística
• Support Vector Machines (SVM)

Aprendizaje no supervisado
(Unsupervised machine learning)

El aprendizaje no supervisado en el Machine Learning se usa para identificar nuevos patrones y anomalías. Los datos introducidos, al contrario que en el aprendizaje supervisado, no están etiquetados. Es el propio algoritmo quien intenta darle sentido a los datos a través de la constante búsqueda de patrones y características. Es decir, el algoritmo no recibe indicaciones externas para su entrenamiento.

Estos algoritmos están ideados para llevar a cabo un procesamiento más complejo.

• Álgoritmos de agrupamiento o clustering
• El análisis de componentes principales (PCA)
• El Singular Value Decomposition (SVD)
• El análisis de componentes independientes.
• Regresión logística
• Support Vector Machines (SVM)