El aprendizaje automático es la práctica de ayudar al software a realizar una tarea sin programación ni reglas explícitas. Con la programación informática tradicional, un programador especifica las reglas que debe utilizar la computadora. Sin embargo, el aprendizaje automático requiere una mentalidad diferente. El aprendizaje automático en el mundo real se centra mucho más en el análisis de datos que en la codificación. Los programadores proporcionan un conjunto de ejemplos y la computadora aprende patrones a partir de los datos. Puede pensar en el aprendizaje automático como "programación con datos".

Hay varios pasos en el proceso de obtener respuestas a partir de datos mediante ML. Para obtener una descripción general paso a paso, consulte esta guía que muestra el flujo de trabajo completo para la clasificación de texto y describe pasos importantes como recopilar un conjunto de datos y entrenar y evaluar un modelo con TensorFlow.

Una red neuronal es un tipo de modelo que se puede entrenar para reconocer patrones. Está compuesto por capas, incluidas capas de entrada y salida, y al menos una capa oculta . Las neuronas de cada capa aprenden representaciones cada vez más abstractas de los datos. Por ejemplo, en este diagrama visual vemos neuronas detectando líneas, formas y texturas. Estas representaciones (o características aprendidas) permiten clasificar los datos.

Las redes neuronales se entrenan mediante descenso de gradiente. Los pesos en cada capa comienzan con valores aleatorios y estos se mejoran iterativamente con el tiempo para hacer que la red sea más precisa. Se utiliza una función de pérdida para cuantificar qué tan inexacta es la red y se usa un procedimiento llamado retropropagación para determinar si cada peso debe aumentarse o disminuirse para reducir la pérdida.

El aprendizaje automático es la práctica de ayudar al software a realizar una tarea sin programación ni reglas explícitas. Con la programación informática tradicional, un programador especifica las reglas que debe utilizar la computadora. Sin embargo, el aprendizaje automático requiere una mentalidad diferente. El aprendizaje automático en el mundo real se centra mucho más en el análisis de datos que en la codificación. Los programadores proporcionan un conjunto de ejemplos y la computadora aprende patrones a partir de los datos. Puede pensar en el aprendizaje automático como "programación con datos".

Hay varios pasos en el proceso de obtener respuestas a partir de datos mediante ML. Para obtener una descripción general paso a paso, consulte esta guía que muestra el flujo de trabajo completo para la clasificación de texto y describe pasos importantes como recopilar un conjunto de datos y entrenar y evaluar un modelo con TensorFlow.

Una red neuronal es un tipo de modelo que se puede entrenar para reconocer patrones. Está compuesto por capas, incluidas capas de entrada y salida, y al menos una capa oculta . Las neuronas de cada capa aprenden representaciones cada vez más abstractas de los datos. Por ejemplo, en este diagrama visual vemos neuronas detectando líneas, formas y texturas. Estas representaciones (o características aprendidas) permiten clasificar los datos.

Las redes neuronales se entrenan mediante descenso de gradiente. Los pesos en cada capa comienzan con valores aleatorios y estos se mejoran iterativamente con el tiempo para hacer que la red sea más precisa. Se utiliza una función de pérdida para cuantificar qué tan inexacta es la red y se usa un procedimiento llamado retropropagación para determinar si cada peso debe aumentarse o disminuirse para reducir la pérdida.