Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aprendizaje de Máquina
Gerardo Gutiérrez Gutiérrez
Alexis Rodríguez Gutiérrez
¿ Qué es Aprendizaje de Máquina?
"Field of study that gives computers the ability to learn without being explicitly
programmed" [1]
"A computer program is said to learn from experience E with respect to some
class of tasks T and performance measure P, if its performance at tasks in T,
as measured by P, improves with experience E" [2]
Aprendizaje de
Máquina
Tipos de Aprendizaje de Máquina
Predictivo - Supervisado
Aprendizaje de
Máquina
Predictivo - Supervisado
Clasificación
Regresión
Tipos de Aprendizaje de Máquina
Predictivo - Supervisado
Clasificación Retos
Regresión
Descriptivo - No Supervisado
Aprendizaje de
Máquina
El objetivo es hallar “patrones interesantes” a partir de entradas x sin
etiquetar, de la forma , es también llamado descubrimiento de
conocimiento.
Este es un problema no muy bien definido ya que inicialmente no se sabe cuáles
patrones buscar y además no existe métrica de error para comparar resultados.
Ejemplo Aprendizaje No Supervisado
Tipos de Aprendizaje de Máquina
Aprendizaje de
Máquina
¿ Preguntas ?
Conceptos Aprendizaje de Máquina
Modelos Paramétricos
En los modelos paramétricos se hace una suposición sobre la forma que tiene la función f, es decir se
asume que los datos siguen un modelo predefinido. El modelo está descrito por una serie de
parámetros que son ajustados al problema particular durante la etapa de entrenamiento.
Asumir que un conjunto de datos sigue una función de densidad Gausiana (2 parámetros) o Asumir
que el comportamiento de un conjunto de datos se puede representar usando una función
polinómica de segundo orden (3 parámetros).
Conceptos Aprendizaje de Máquina
Modelos No Paramétricos
Los modelos no paramétricos por el contrario no realizan suposiciones sobre la forma de la función
que mejor representa los datos.
¿ Cuál es el Modelo ?
¿ Cuál es el criterio ?
¿ Cuál es el algoritmo ?
Diseño Etapa de Aprendizaje
Cuando nos enfrentamos al problema de aprendizaje de máquina debemos responder a
tres preguntas fundamentales
¿ Cuál es el Modelo ?
Cuál es el modelo que vamos a usar teniendo en cuenta el problema a resolver, es decir la
estructura que tiene el conjunto de datos. Es importante tener en cuenta que todo modelo
tiene parámetros que se deben ajustar para que pueda adaptarse (aprender) al problema
particular que deseamos abordar
Diseño Etapa de Aprendizaje
Cuando nos enfrentamos al problema de aprendizaje de máquina debemos responder a
tres preguntas fundamentales
¿ Cuál es el criterio ?
Cuál es el criterio de ajuste del modelo que vamos a usar. Es decir determinar qué es lo que
queremos que haga el modelo con respecto al conjunto de muestras de entrenamiento y
expresarlo a través de una función matemática.
Diseño Etapa de Aprendizaje
Cuando nos enfrentamos al problema de aprendizaje de máquina debemos responder a
tres preguntas fundamentales
Cuál es y cómo funciona el algoritmo que encuentra los parámetros del modelo de acuerdo al
criterio escogido. En la mayoría de los casos la ejecución del criterio de entrenamiento implica
un procedimiento de maximización (o minimización) de la función criterio.
Por consiguiente en esta etapa necesitamos aplicar un algoritmo que pueda solucionar el
problema de optimización.
¿ Cuál es el algoritmo ?
Finalmente… como todo procedimiento de modelado, el aprendizaje de máquina debe pasar por
etapas de verificación y validación que permitan establecer el correcto funcionamiento del
modelo propuesto y cuantificar su desempeño en términos objetivos.
Referencias
[1] Samuel, A. L. (2000). Some studies in machine learning using the game of
checkers. IBM Journal of research and development, 44(1.2), 206-226.
[2] Anderson, J. R. (1986). Machine learning: An artificial intelligence approach
(Vol. 2). R. S. Michalski, J. G. Carbonell, & T. M. Mitchell (Eds.). Morgan
Kaufmann.
[3] Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT
press.