Aprendizaje automático EITC/AI/MLP con Python

Un subconjunto del aprendizaje automático está estrechamente relacionado con las estadísticas computacionales, que se enfoca en hacer predicciones usando computadoras; sin embargo, no todo el aprendizaje automático es aprendizaje estadístico. El estudio de la optimización matemática aporta métodos, teoría y dominios de aplicación al campo del aprendizaje automático. La minería de datos es un campo de estudio relacionado, que se centra en el análisis de datos exploratorios a través del aprendizaje no supervisado. En su aplicación a los problemas empresariales, el aprendizaje automático también se conoce como análisis predictivo.

Los enfoques de aprendizaje automático se dividen tradicionalmente en tres categorías amplias, según la naturaleza de la "señal" o "retroalimentación" disponible para el sistema de aprendizaje:

• Aprendizaje supervisado: La computadora se presenta con entradas de ejemplo y sus salidas deseadas, dadas por un “maestro”, y el objetivo es aprender una regla general que mapea las entradas con las salidas.
• Aprendizaje no supervisado: no se dan etiquetas al algoritmo de aprendizaje, dejándolo solo para encontrar la estructura en su entrada. El aprendizaje no supervisado puede ser un objetivo en sí mismo (descubrir patrones ocultos en los datos) o un medio hacia un fin (aprendizaje de características).
• Aprendizaje por refuerzo: un programa de computadora interactúa con un entorno dinámico en el que debe realizar un objetivo determinado (como conducir un vehículo o jugar un juego contra un oponente). A medida que navega por su espacio problemático, el programa recibe una retroalimentación análoga a las recompensas, que intenta maximizar.

Se han desarrollado otros enfoques que no encajan perfectamente en esta categorización triple y, a veces, el mismo sistema de aprendizaje automático utiliza más de uno. Por ejemplo, modelado de temas, reducción de dimensionalidad o meta aprendizaje.

A partir de 2020, el aprendizaje profundo se ha convertido en el enfoque dominante de gran parte del trabajo en curso en el campo del aprendizaje automático.

Python se escribe dinámicamente (ejecuta en tiempo de ejecución muchos comportamientos de programación comunes que los lenguajes de programación estáticos realizan durante la compilación) y se recolecta basura (con administración automática de memoria). Admite múltiples paradigmas de programación, incluida la programación estructurada (en particular, procedimental), orientada a objetos y funcional. Fue creado a fines de la década de 1980 y lanzado por primera vez en 1991 por Guido van Rossum como sucesor del lenguaje de programación ABC. Python 2.0, lanzado en 2000, introdujo nuevas características, como listas por comprensión y un sistema de recolección de basura con recuento de referencias, y se suspendió con la versión 2.7 en 2020. Python 3.0, lanzado en 2008, fue una revisión importante del lenguaje que se no es completamente compatible con versiones anteriores y gran parte del código de Python 2 no se ejecuta sin modificar en Python 3. Con el final de la vida útil de Python 2 (y pip que dejó de ser compatible en 2021), solo se admiten Python 3.6.xy posteriores, con versiones anteriores aún compatible, por ejemplo, con Windows 7 (y con instaladores antiguos no restringidos a Windows de 64 bits).

Los intérpretes de Python son compatibles con los sistemas operativos convencionales y están disponibles para algunos más (y en el pasado eran compatibles con muchos más). Una comunidad global de programadores desarrolla y mantiene CPython, una implementación de referencia gratuita y de código abierto. Una organización sin fines de lucro, Python Software Foundation, administra y dirige recursos para el desarrollo de Python y CPython.

A partir de enero de 2021, Python ocupa el tercer lugar en el índice de TIOBE de lenguajes de programación más populares, detrás de C y Java, habiendo obtenido previamente el segundo lugar y su premio a la mayor ganancia de popularidad para 2020. Fue seleccionado Lenguaje de programación del año en 2007, 2010 y 2018.

Un estudio empírico descubrió que los lenguajes de secuencias de comandos, como Python, son más productivos que los lenguajes convencionales, como C y Java, para problemas de programación que implican la manipulación de cadenas y la búsqueda en un diccionario, y determinó que el consumo de memoria a menudo era "mejor que Java y no mucho peor que C o C ++ ”. Las grandes organizaciones que utilizan Python incluyen, por ejemplo, Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.

Más allá de sus aplicaciones de inteligencia artificial, Python, como lenguaje de scripting con arquitectura modular, sintaxis simple y herramientas de procesamiento de texto enriquecido, se usa a menudo para el procesamiento del lenguaje natural.