NOCIONES BÁSICAS DE MACHINE LEARNING | THE PERFORMANCE MEASURE
Tener en cuenta que este es mi resumen del libro deeplearningbook.org, para mi yo del futuro, y en el tiempo que disponga se irá mejorando.
Siguiendo con lo mencionado en el libro de Deep Learning se seguirá revisando detalles del libro para tener claro como actúa Machine Learning sobre los datos.
Ya teniendo claro la variedad de tareas específicas que manejamos, se debe tener en cuenta de forma cuantitativa cual es la precisión de esta, es decir, tener en cuenta el rendimiento a través de modelos en el que la información obtenida son datos aproximados a un criterio deseado.
En el artículo anterior mencionamos que exploramos Machine Learning a través de nuestro agente en Unity 3D, cuya tarea principal era aprender a caminar, para que logre hacer ello es necesario entrenar a nuestro agente, y lo hacemos a través de código en Python:
- Primero pasamos a decirle a nuestro agente en que momento se reinicia con un numero finito de caídas al piso, ya que es inestable al caminar.
- Asignarle un sistema de recompensas cada vez que haya logrado su objetivo, por ejemplo aumentándole 30 puntos, nuestro agente aprenderá si esta yendo en el camino correcto o no.
- Asignarle un sistema de penalización cada vez que sea equivocado un paso, haciendo que se caiga.
He aquí la muestra de nuestra agente:
Palabras Finales:
Este es un artículo que consta de 3 partes: Tasks, The Performance Measure, The Experience.
Tener en cuenta que las imágenes no pertenecen al libro, y son solo referenciales para esclarecer el texto, para una mejor lectura.
En caso de algún error o contribución al artículo, hacérmelo notar a mi correo victor.m.diniz@gmail.com.
Referencias:
- Goodfellow, I., Bengio, Y., Courville, A.(2016). Deep Learning. Revisado el 20 de julio del 2018 de http://www.deeplearningbook.org/
