Cada tipo de aprendizaje automático se beneficia de algoritmos específicos que se adaptan a las características y desafíos particulares, de esa categoría. A continuación, se mencionan algunos algoritmos comunes en cada tipo de aprendizaje automático:
Aprendizaje Supervisado:
Regresión lineal: utilizado para problemas de regresión, donde se predice un valor numérico continuo.
Regresión logística: empleado en problemas de clasificación binaria para estimar la probabilidad de que un elemento pertenezca a una categoría.
K-Vecinos más Cercanos (K-NN): se basa en la similitud de características para clasificar objetos basados en la mayoría de los “vecinos” más cercanos en un conjunto de datos etiquetado.
Máquinas de Soporte Vectorial (SVM): útiles para problemas de clasificación y regresión, donde buscan encontrar un hiperplano que separe las clases de manera óptima.
Árboles de Decisión: se utilizan para problemas de clasificación y regresión al dividir los datos en ramas basadas en características.
Aprendizaje No Supervisado:
K-Means: agrupa datos en clústeres basados en la similitud de características.
Análisis de Componentes Principales (PCA): utilizado para reducir la dimensionalidad de los datos conservando la mayor cantidad de información posible.
Algoritmo de Asociación Apriori: descubre relaciones entre elementos en un conjunto de datos, como patrones de compra en el comercio minorista.
T-distributed Stochastic Neighbor Embedding (t-SNE): se utiliza para visualizar datos multidimensionales en un espacio de menor dimensión.
Aprendizaje Profundo No Supervisado: algoritmos como las redes neuronales generativas (GANs) se utilizan para la generación de datos y la extracción de características.
Aprendizaje por Refuerzo:
Q-Learning: un algoritmo de aprendizaje por refuerzo que busca aprender una política óptima en un entorno.
Algoritmo Genético: a menudo se utiliza en problemas de optimización donde se buscan soluciones óptimas a través de la evolución de poblaciones.
Actor-Crítico (A3C): combina elementos de políticas (actor) y valor (crítico) para aprender políticas de acción en entornos complejos.
Deep Deterministic Policy Gradient (DDPG): útil en entornos continuos, combina elementos de redes neuronales profundas con métodos de aprendizaje por refuerzo.
Aprendizaje Semi-supervisado:
Label Propagation: propaga etiquetas desde datos etiquetados a datos no etiquetados en un grafo de similitud.
Co-entrenamiento: utiliza varios clasificadores para mejorar el rendimiento en datos no etiquetados.
Aprendizaje Activo: algoritmos como Uncertainty Sampling seleccionan los ejemplos más informativos para etiquetar.
Aprendizaje de Máquinas Explicables (XAI):
LIME (Local Interpretable Model-agnostic Explanations): proporciona explicaciones de modelos de aprendizaje automático de manera local.
SHAP (SHapley Additive exPlanations): utilizado para comprender cómo contribuyen las características individuales a las predicciones del modelo.
Interpretabilidad de Modelos Lineales y Árboles de Decisión: modelos más simples como regresiones lineales y árboles de decisión son intrínsecamente más interpretables.
GIPHY App Key not set. Please check settings