Deep Learning

もっと見る

Herramientas Case

Odette Oldsにより

Mecanica de Suelos

Leidy Bautistaにより

ORALIDAD

Victoria Laresにより

Investigacion Descriptiva

diego cuadros pintoにより

Deep Learning

Es un tipo de aprendizaje automático e inteligencia artificial que imita la forma en que los humanos obtienen cierto tipos de conocimiento

Algunos modelos que trabajan en Deep Learning

Clasificación

Se encarga de determinar si los datos de entrada corresponde a una o varias categorías

- Muy fácil de interpretar y entender - Excelente para aprender relaciones complejas , altamente no lineales

Desventaja

- Requiere memoria significante y poder de procesamiento - Cuando se tiene muchos datos toma demasiado tiempo para entrenar

Ejemplo._ Determina si un correo es o no spam

Regresión

Se encarga de establecer la relación existente entre dos variables para posteriormente predecir un valor numérico con base de datos de entrada

- Maneja automáticamente los valores perdidos - Pueden ser utilizados por casi cualquier persona con excelentes resultados

Desventajas

- Puede sufrir valores atípicos - No se puede modelar relaciones complejas

Ejemplo._ La predicción de la subida o bajada en la bolsa de valores

Agrupación

Categorismos datos no etiquetados, grupos que no están definidos

Ventajas

- Análisis simple una mejor comprenden de la información

Desventajas

La información debe ser homogenea , si no se tiene el riesgo de que el algoritmo de un resultado incorrecto

Ejemplo._ Se emplea en la agrupación de datos como los de las votaciones , los cuales se obtienen una resultando en especifico por medio del análisis agrupando votos

Redes neuronales

Es el corazon de los algoritmos basados en el manejo de los macrodatos dentro del Deep Learning

- Tiene la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje -Crea su propia representación de la información en su interior descargando al usuario de esto

- Complejidad de aprendizaje para grandes tareas - Tiempo de aprendizaje elevado

Ejemplo._ Memoria de largo plazo

Arbol de decisión

Son implementados como algoritmos de machine Learning debido a que al ser similares de diagramas de flujo utilizan un método determinado

Ventajas

- Son simples de entender y de interpretar -No requiere preparación de datos excesivamente complejos - Se puede agregar nuevas opciones a los arboles existentes

Desventaja

- Son inestables -No se puede garantizar que el árbol generado sea optimo

Ejemplo._ El departamento de marketing de la Adventure requiere identificar las característica de los clientes