¿Qués es un modelo de aprendizaje automático?

Un modelo de Machine Learning es un objeto (almacenado localmente en un archivo) que se ha entrenado para reconocer ciertos tipos de patrones. Puede entrenar un modelo con un conjunto de datos, y proporcionarle un algoritmo que puede usar para averiguar y obtener información de esos datos.

Una vez entrenado el modelo, puedes usarlo para desglosar los datos que no ha visto antes y realizar predicciones sobre estos. Por ejemplo, supongamos que quieres compilar una aplicación que pueda reconocer las emociones de un usuario en función de sus expresiones faciales. Para entrenar un modelo puedes proporcionarle imágenes de caras que estén etiquetadas con una emoción determinada y, a continuación, puedes usar ese modelo en una aplicación que pueda reconocer cualquier emoción del usuario.

Cuándo usar Machine Learning

Los buenos escenarios de aprendizaje automático suelen tener las siguientes propiedades comunes:

1. Implican una decisión o evaluación repetidas que quiera automatizar y necesitan resultados coherentes.
2. Es difícil o imposible describir explícitamente la solución o los criterios que hay detrás de una decisión.
3. Tiene datos etiquetados o ejemplos existentes en los que puede describir la situación y asignarla al resultado correcto.

Windows Machine Learning usa el formato Open Neural Network Exchange (ONNX) para sus modelos. Puedes descargar un modelo entrenado previamente o entrenar tu propio modelo. Consulta el tema sobre la obtención de modelos ONNX para Windows ML para obtener más información.

Introducción

Puede comenzar a trabajar con Windows Machine Learning si sigue uno de nuestros tutoriales de aplicaciones completas o si va directamente a los ejemplos de Windows Machine Learning.

Nota:

Use los siguientes recursos para obtener ayuda con Windows ML:

• Para formular o responder a preguntas técnicas sobre Windows Machine Learning, utilice la etiqueta windows-machine-learning en Stack Overflow.
• Para notificar un error, registre un problema en GitHub.