Machine Learning + Deep Learning
Los métodos de aprendizaje automático y aprendizaje profundo combinan enfoques de la estadística y la informática para hacer predicciones, clasificar o reconocer patrones, incluso en situaciones complejas.
Visión de conjunto
Para muchos problemas actuales, los procesos subyacentes, las relaciones y los mecanismos de acción solo se comprenden cualitativamente de manera incompleta, y los enfoques de modelos clásicos basados en la teoría (por ejemplo, física o estadística clásica) no están disponibles. Sin embargo, si hay suficientes datos disponibles, los algoritmos modernos de aprendizaje automático a menudo aún pueden proporcionar buenas predicciones sin especificar explícitamente un modelo.
En Data.Barcelona, métodos como Random Forest, Boosting, Support Vector Machines y redes neuronales profundas (aprendizaje profundo) se utilizan en combinación con métodos estadísticos clásicos (por ejemplo, análisis de regresión) para resolver problemas complejos de predicción y clasificación. Los llamados algoritmo de aprendizaje no supervisado o métodos de minería de datos también pueden descubrir nuevas estructuras y patrones en conjuntos de datos (por ejemplo, análisis clúster).
Los métodos de aprendizaje automático también son adecuados para analizar datos que no están en forma tabular (por ejemplo, datos de texto o estructuras de red). Para imágenes disponibles digitalmente (por ejemplo, en diagnósticos médicos), datos de audio o señales similares, la última generación de redes neuronales (aprendizaje profundo) ofrece datos de audio o señales similares con resultados con tasas de error bajas nunca antes alcanzadas.
Aprendizaje Automático y Aprendizaje Profundo