Machine learning is the science of getting computers to act without being explicitly programmed. In the past decade, machine learning has given us self-driving cars, practical speech recognition, effective web search, and a vastly improved understanding of the human genome. Machine learning is so pervasive today that you probably use it dozens of times a day without knowing it. Many researchers also think it is the best way to make progress towards human-level AI. In this class, you will learn about the most effective machine learning techniques, and gain practice implementing them and getting them to work for yourself. More importantly, you'll learn about not only the theoretical underpinnings of learning, but also gain the practical know-how needed to quickly and powerfully apply these techniques to new problems. Finally, you'll learn about some of Silicon Valley's best practices in innovation as it pertains to machine learning and AI. This course provides a broad introduction to machine learning, datamining, and statistical pattern recognition. Topics include: (i) Supervised learning (parametric/non-parametric algorithms, support vector machines, kernels, neural networks). (ii) Unsupervised learning (clustering, dimensionality reduction, recommender systems, deep learning). (iii) Best practices in machine learning (bias/variance theory; innovation process in machine learning and AI). The course will also draw from numerous case studies and applications, so that you'll also learn how to apply learning algorithms to building smart robots (perception, control), text understanding (web search, anti-spam), computer vision, medical informatics, audio, database mining, and other areas.
Supervised Learning
Loading...
Del curso dictado por Stanford University
Machine Learning
100074 calificaciones
De la lección
Introduction
Welcome to Machine Learning! In this module, we introduce the core idea of teaching a computer to learn concepts using data—without being explicitly programmed. The Course Wiki is under construction. Please visit the resources tab for the most complete and up-to-date information.
Conoce a los instructores
Andrew NgCEO/Founder Landing AI; Co-founder, Coursera; Adjunct Professor, Stanford University; formerly Chief Scientist,Baidu and founding lead of Google Brain
En este video definiré cuál es posible que sea el problema más común
del aprendizaje automático, que es el aprendizaje supervisado. Después definiré de manera más formal
el aprendizaje supervisado; quizá es mejor explicar o iniciar con un ejemplo
de qué es y después veremos la definición formal. Supongamos que quieres
predecir precios de casas. Hace tiempo, un estudiante recolectó conjuntos de datos
del Instituto de Portland, Oregón. Y digamos que trazas un conjunto de datos y se ve
así. Tenemos en el eje horizontal, el tamaño de distintas casas en pies cuadrados,
y en el eje vertical, el precio de distintas casas en miles de dólares.
Entonces, con estos datos, digamos que tienes un amigo que tiene una casa de 750
pies cuadrados y desea venderla y quiere saber cuánto dinero puede
obtener por ella. Entonces, ¿cómo puede ayudarte un algoritmo de aprendizaje? Algo que podría hacer
el algoritmo de aprendizaje es trazar una línea recta a través de los datos o insertar
una línea recta en los datos y, con base en eso, resulta que tal vez la casa pueda venderse
en aproximadamente $150,000. Pero tal vez este no es el único algoritmo de aprendizaje que puedes
usar. Puede haber uno mejor. Por ejemplo, en lugar de trazar una línea
recta en los datos, podríamos decidir que es mejor insertar una función
cuadrática o un polinomio de segundo grado a estos datos. Y si haces eso y haces una
predicción aquí, entonces resulta que tal vez puede vender la casa en casi
$200,000. Algo de lo que hablaré más adelante es de cómo elegir y
decidir si quieres insertar una línea recta a los datos o si quieres insertar la
función cuadrática a los datos y no hay una selección justa de cualquier opción que le de
a tu amigo una mejor casa para vender. Pero cualquiera de estos sería un buen ejemplo de
un algoritmo de aprendizaje. Así que este es un ejemplo de algoritmo de aprendizaje supervisado. Y
el término aprendizaje supervisado se refiere al hecho de que le dimos al algoritmo un conjunto de datos
donde se daban las “respuestas correctas”. Es decir, le dimos un conjunto de datos
de casas en los que para cada ejemplo del conjunto de datos, se dijo cuál era el
precio correcto, el precio real al que se vendió esa casa y la tarea del
algoritmo sólo fue generar más «respuestas correctas» como para esta
casa nueva que tu amigo está queriendo vender. Para definir un poco más
la terminología, esto también se denomina un problema de regresión y con esto
quiero decir que queremos predecir un resultado de valor continuo. Es decir, el precio.
Así que, técnicamente, creo que puede redondearse el precio al centavo más cercano. Tal vez
los precios en realidad son valores discretos, pero en general pensamos en el precio de una casa
como un número real, un valor escalar, un número de valor continuo, y el término
regresión se refiere al hecho de que tratamos de predecir el tipo de atributo valuado
de forma continua. Este es otro ejemplo de aprendizaje supervisado. Algunos amigos
y yo estábamos trabajando en esto antes. Digamos que quieres revisar
expediente médicos y tratar de predecir cáncer de mama como maligno o benigno. Si
alguien descubre un tumor mamario, un bulto en su seno... Un tumor maligno es un
tumor dañino y peligroso y un tumor benigno es un tumor inofensivo.
Obviamente, la gente se preocupa mucho por esto. Veamos un conjunto de datos recolectados y supongamos
que en estos datos, en el eje horizontal tienes el tamaño del tumor y
en el vertical trazaré uno o cero, sí o no, si son o no
ejemplos de tumores que ya vimos que son malignos, que es el uno, o el cero si no es maligno
o es benigno. Supongamos que nuestro conjunto de datos se ve así donde vemos un tumor de este
tamaño que resultó ser benigno. Uno de este tamaño, uno de este tamaño. Y así sucesivamente.
Por desgracia, también vemos unos tumores malignos, uno de este tamaño y
uno de este, uno de este tamaño... Y así sucesivamente. Así que en este ejemplo... Tengo cinco ejemplos de tumores
benignos que se muestran abajo y cinco de tumores malignos que se muestran con un
valor del eje vertical de uno. Y digamos que tenemos una amiga que lamentablemente tiene un
tumor mamario y supongamos que su tamaño es de aproximadamente este valor. La
pregunta de aprendizaje automático es: ¿puedes calcular cuál es la probabilidad,
de que un tumor sea maligno versus benigno? Para mostrar un poco
de terminología, este es un ejemplo de un problema de clasificación. El término
«clasificación» se refiere al hecho de que intentamos predecir un resultado
de valor discreto: cero o uno, maligno o benigno. Y resulta que algunas veces
en problemas de clasificación, puedes tener más de dos valores para dos
posibles valores para el resultado. Como ejemplo concreto tal vez haya tres
tipos de cáncer de mama, por lo que puedes intentar predecir el valor discreto de cero,
uno, dos o tres, en el que cero es benigno. Tumor benigno, es decir sin cáncer. Y uno puede
significar un tipo de cáncer, si tienes tres tipos de cáncer, lo que sea que signifique
el tipo uno. Y dos puede significar un segundo tipo de cáncer y tres pude ser un tercer tipo de
cáncer. Pero esto también sería un problema de clasificación, debido al otro
conjunto de resultados del valor discreto que corresponde a: sin cáncer o cáncer tipo
uno, tipo dos, o cáncer tipo tres. Existe otra forma de trazar estos datos
en los problemas de clasificación. Déjame mostrarte lo qué quiero decir. Utilizaré un conjunto de símbolos
ligeramente diferente para trazar estos datos. Así que si el tamaño del tumor será
el atributo que usaré para predecir si es maligno o benigno, también puedo dibujar
mis datos así. Usaré distintos símbolos para denotar mis ejemplos
de maligno y benigno, o negativo y positivo. En lugar de dibujar cruces,
dibujaré círculos para los tumores benignos. De esta manera. Y seguiré
usando X para denotar los tumores malignos. ¿Ok? Espero que esto empiece a tener
sentido. Todo lo que hice fue tomar, ya saben, esto, mi conjunto de datos de arriba y
los trace abajo hacia esta línea real. Y empecé a usar distintos símbolos,
círculos y cruces para denotar los ejemplos de malignos contra benignos. Ahora, en este
ejemplo sólo usamos una característica o un atributo, principalmente, el tamaño del tumor para
predecir si el tumor es maligno o es benigno. En otros problemas de aprendizaje
electrónico, cuando tenemos más de una característica, más de un atributo. Aquí va
un ejemplo. Digamos que en lugar de sólo saber el tamaño del tumor, también conocemos la
edad y el tamaño de tumor de los pacientes. En ese caso, tal vez tu conjunto de datos se verá
así y tenemos un conjunto de pacientes con edades y tamaños de tumor
y se ven así. Y un conjunto de pacientes distinto, que se ve un poco diferente,
cuyos tumores resultaron malignos, como lo indican las cruces. Así que digamos que
tienes un amigo que por desgracia tiene un tumor. Y tal vez, el tamaño del tumor y la edad
están más o menos aquí. Con un conjunto de datos como este, lo que puede hacer el
algoritmo de aprendizaje es trazar la línea recta en los datos para tratar de separar los
tumores malignos de los benignos y entonces el algoritmo de aprendizaje puede decidir
trazar la línea recta así para separar las dos clases de tumores.
Y con esto, es posible que puedas decidir que es más probable que si el tumor
de tu amigo está en esta parte, el algoritmo de aprendizaje
nos dirá si el tumor está del lado benigno y que, por lo tanto, es más
probable que sea benigno y no maligno. En este ejemplo, tuvimos dos características,
la edad del paciente y el tamaño del tumor. En otros problemas de aprendizaje automático
con frecuencia tendremos más características y mis amigos que trabajan con este problema
realmente usan otras características como el grosor de acúmulo del
tumor mamario, uniformidad del tamaño celular del tumor, uniformidad de la forma celular del
tumor, etc., así como otras características. Y resulta que uno de los algoritmos
de aprendizaje más interesantes que veremos en esta clase es un algoritmo
de aprendizaje que puede tratar, no sólo con dos o tres o cinco características, sino con un número
infinito de características. En esta diapositiva presento un total de 5 características distintas.
Dos en los ejes y tres más aquí arriba. Pero resulta que para algunos problemas
de aprendizaje, lo que realmente no quieres es usar tres o cinco características, sino
usar un número infinito de características, un número infinito de
atributos, de manera que tu algoritmo de aprendizaje tenga muchos atributos o
características o señales para hacer las predicciones. Entonces, ¿cómo manejas un
número infinito de características? ¿Cómo almacenas un número infinito de
cosas en la computadora cuando sabes que se va a llenar la memoria? Resulta
que cuando nos referimos a un algoritmo llamado Máquina de
Soporte Vectorial, habrá un truco matemático genial que permitirá que la computadora maneje
un número infinito de características. Imagina que acabo de escribir dos características
aquí y tres características a la derecha. Pero imagina que escribí una lista infinitamente larga,
y sigo escribiendo más y más y más características. Una lista infinitamente larga de
características. Resulta que podremos crear un algoritmo que pueda manejar
todo eso. Entonces, sólo para recapitular. En esta clase, hablaremos del
aprendizaje supervisado. Y la idea es que, en el aprendizaje supervisado, cada ejemplo de
nuestro conjunto de datos, nos dice que la “respuesta correcta” que nos habría gustado,
la predijeron los algoritmos en ese ejemplo. Como el precio de la
casa o si el tumor es maligno o benigno. También hablamos sobre el
problema de regresión. Y regresión significa que nuestro objetivo es predecir
un resultado de valor continuo. Y hablamos sobre el problema de clasificación, donde
el objetivo es predecir el resultado de valor discreto. Solo una pregunta para recapitular:
Supongamos que diriges una empresa y quieres desarrollar algoritmos de aprendizaje
para enfrentar los dos problemas. En el primer problema, tienes un gran inventario de
artículos idénticos. Entonces, imagina que tienes miles de copias de algunos artículos
idénticos para vender y quieres saber cuántos de estos artículos venderás en los
próximos tres meses. En el segundo problema, el problema dos, tendrás muchos
usuarios y querrás diseñar un software para analizar cada una de las
cuentas individuales de tus clientes, cada una de las cuentas de tus clientes; y para cada cuenta
decidirás sin la cuenta fue o no hackeada o estuvo en peligro. Entonces, ¿cada uno
de estos problemas debe tratarse como un problema de clasificación o
como un problema de regresión? Cuando se ponga en pausa el video, por favor usa tu mouse para seleccionar cuál
de estas cuatro opciones a la izquierda consideras que es la respuesta correcta. Espero que
tu resultado haya sido esta respuesta. Por problema uno lo trataría como un
problema de regresión, ya que si tuviera miles de artículos, bueno,
probablemente lo trataría como un valor real, como un valor continuo. Y
por lo tanto, trataría el número de artículos que vendo como un valor continuo. Y para el
segundo problema, lo trataría como un problema de clasificación, ya que podría
establecer el valor que quiero predecir con cero para denotar que no se hackeo
la cuenta. Y establecer el valor en uno para denotar una cuenta que sí fue hackeada. Así
como para el cáncer de mama cero es benigno y uno es maligno. Por ello
podría establecerlo en cero o uno dependiendo de si se hackeó y hacer que un
algoritmo trate de predecir cada uno de estos dos valores discretos. Y debido a que existe
un número reducido de valores discretos, entonces lo manejaría como un problema de
clasificación. Esto es todo sobre aprendizaje supervisado y en el siguiente video hablaré
sobre el aprendizaje no supervisado, que es la otra categoría principal de algoritmos principales.
Explora nuestro catálogo
Inscríbete de manera gratuita y obtén recomendaciones personalizadas, actualizaciones y ofertas.
Coursera brinda acceso universal a la mejor educación del mundo, al asociarse con las mejores universidades y organizaciones, para ofrecer cursos en línea.
© 2019 Coursera Inc. Todos los derechos reservados.
