Introducción del learning machine
Al comprar en línea, ¿ha notado que el sitio recomienda productos similares al que está buscando? ¿O mientras mira videos de YouTube, recomendaciones basadas en los canales que visita? ¿O las recomendaciones de Facebook para que te gusten ciertas páginas en función de las páginas que te han gustado? ¿Cuál es el mecanismo para comprender el patrón y desarrollar ideas significativas? Sí, es learning machine.
El aprendizaje automático o learning machine es la ciencia de hacer que las computadoras aprendan y actúen como lo hacen los humanos, y mejoren su aprendizaje con el tiempo de manera autónoma, al proporcionarles datos e información en forma de observaciones. El learning machine se utiliza en muchos dominios, desde predecir si la próxima película será un éxito en la taquilla o no hasta los matices del mercado de valores, como predecir el precio de las acciones.
Al llegar a la profesión actuarial, el aprendizaje automático o learning machine tiene aplicaciones en precios, reservas, diseño de productos, modelado de capital, por nombrar algunos. También se ha introducido en CS2, cubriendo así aplicaciones de conceptos como series de tiempo, Lee-Carter, modelos de regresión que usan R.
El aprendizaje automático se puede clasificar en términos generales en aprendizaje supervisado, no supervisado y de refuerzo. El plan de estudios 2019 se centra principalmente en el aprendizaje automático supervisado y no supervisado.
Echemos un vistazo a lo que es:
Learning machine supervisado
El aprendizaje supervisado, como su nombre lo indica, indica la presencia de un supervisor como maestro. Es un aprendizaje en el que enseñamos o entrenamos el algoritmo usando datos que están bien etiquetados, lo que significa que algunos datos ya están etiquetados con la respuesta correcta (datos de entrenamiento). Este algoritmo consiste en una variable objetivo / resultado (o variable dependiente) que debe predecirse a partir de un conjunto dado de predictores (variables independientes). Usando este conjunto de variables, generamos una función que asigna entradas a las salidas deseadas. Después de eso, el algoritmo se proporciona con un nuevo conjunto de datos para que el algoritmo de aprendizaje supervisado analice y produzca un resultado a partir de los datos etiquetados.
El aprendizaje supervisado se ha clasificado en términos generales en problemas de regresión y clasificación. Ambos problemas tienen el objetivo de construir un buen modelo que pueda predecir el valor de la variable dependiente a partir de las variables independientes. La diferencia entre las dos tareas es el hecho de que la variable dependiente es numérica para la regresión y categórica para la clasificación.
- Regresión: un problema de regresión es cuando la variable de salida es un valor real o continuo, como el salario o el peso. El modelo predictivo de regresión es la tarea de aproximar una función de mapeo (f) desde las variables de entrada (X) a una variable de salida continua (Y). Por ejemplo, predecir el gasto anual (variable dependiente) de una persona utilizando su ingreso anual como variable independiente.
- Clasificación: Un problema de clasificación es cuando la variable de salida es una categoría, como sí o no, blanco o negro. Un modelo de clasificación intenta sacar algunas conclusiones de los valores observados. Dada una o más entradas, un modelo de clasificación intentará predecir el valor de uno o más resultados. Los modelos de clasificación incluyen regresión logística, árbol de decisión, bosque aleatorio, Naive Bayes, por nombrar algunos. Por ejemplo, predecir si una persona incumplirá su próximo pago del préstamo sobre la base de sus ingresos.
Muchos proyectos de modelos actuariales, como la fijación de precios de contratos de seguros, la valoración de planes de pensiones, entran en la categoría de aprendizaje supervisado.
Aprendizaje automático o learning machine sin supervisión
A diferencia del aprendizaje supervisado, no se proporciona ningún maestro, lo que significa que no se brindará capacitación a la máquina. La información no está clasificada ni etiquetada y la tarea de la máquina es agrupar información sin clasificar de acuerdo con similitudes, patrones y diferencias sin ningún entrenamiento previo de datos.
En este algoritmo, no tenemos ningún objetivo o variable de resultado para predecir. Se usa para agrupar a la población en diferentes grupos, lo que se usa ampliamente para segmentar variables en estudio en diferentes grupos. El aprendizaje automático no supervisado se puede clasificar en dos categorías de algoritmos:
- Agrupación: es la tarea de agrupar un conjunto de objetos de tal manera que los objetos en el mismo grupo (un grupo) sean más similares entre sí que con los de otros grupos (grupos). Un problema de agrupamiento es cuando desea descubrir las agrupaciones inherentes en los datos, como agrupar clientes por comportamiento de compra. Algunos ejemplos son:
- clase de compradores dada, grupo basado en los atributos del comprador
- dado un conjunto de tweets, clúster basado en el contenido del tweet
- Asociación: un problema de aprendizaje de reglas de asociación es cuando desea descubrir reglas que describan grandes porciones de sus datos, como las personas que compran X también tienden a comprar Y. Por ejemplo, la regla que se encuentra en los datos de ventas de un supermercado indicaría que, Si un cliente compra pan y mantequilla juntos, es probable que compre kétchup de tomate. Dicha información se puede utilizar como base para tomar decisiones sobre actividades de marketing, como precios promocionales o ubicaciones de productos.
Aunque el learning machine es un tema amplio, la clave es identificar la técnica correcta de acuerdo con su problema y los datos, y avanzar de manera sistemática.
A estas alturas ya habría tenido una breve idea de lo que es el aprendizaje automático. Aquí hay una lista de pocos recursos que pueden ayudarlo a comprender el concepto en detalle desde una perspectiva actuarial.
