Definición de aprendizaje automático de alimentos

El concepto básico de máquina de alimentos El aprendizaje en la ciencia de datos implica el uso de métodos estadísticos de aprendizaje y optimización que permiten a las computadoras analizar conjuntos de datos e identificar patrones (vea una imagen del aprendizaje automático a través del enlace externo R2D3). Las técnicas de aprendizaje automático aprovechan la minería de datos para identificar tendencias históricas para informar modelos futuros.

El típico algoritmo de aprendizaje automático supervisado consta de (aproximadamente) tres componentes:

Un proceso de decisión: una receta de cálculos u otros pasos que toman los datos y devuelve una "suposición" al tipo de patrón en los datos que su algoritmo busca encontrar.
Una función de error: un método para medir cuán buena fue la suposición comparándola con ejemplos conocidos (cuando están disponibles). ¿El proceso de decisión lo hizo bien? Si no, ¿cómo se cuantifica "qué mal" fue la señorita?
Un proceso de actualización u optimización: donde el algoritmo mira a la falla y luego actualiza cómo el proceso de decisión llega a la decisión final para que la próxima vez que el Miss no sea tan bueno.
Por ejemplo, si está construyendo un recomendador de películas, el proceso de decisión de su algoritmo podría analizar cuán similar es una película determinada para otras películas que ha visto y presenta un sistema de ponderación para diferentes características.

Durante el proceso de entrenamiento, el algoritmo pasa por las películas que ha visto y pesa diferentes propiedades. ¿Es una película de ciencia ficción? ¿Es divertido? El algoritmo luego prueba si termina recomendando películas que usted (o personas como usted) realmente vieron. Si lo hace bien, los pesos que usó permanecen igual; Si se equivoca una película, los pesos que llevaron a la decisión equivocada se rechazan para que no comete ese tipo de error nuevamente.

Dado que un algoritmo de aprendizaje automático se actualiza de forma autónoma, la precisión analítica mejora con cada ejecución, ya que se enseña a partir de los datos que analiza. Esta naturaleza iterativa del aprendizaje es única y valiosa porque ocurre sin intervención humana, proporcionando la capacidad de descubrir ideas ocultas sin estar específicamente programado para hacerlo.

Si está interesado en nuestros productos, bienvenido a visitar / .