Introducción

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]

“ ...we define machine learning as a set of methods that can automatically

detect patterns in data, and then use the uncovered patterns to predict future
data, or to perform other kinds of decision making under uncertainty...” [3]
¿Por qué usar aprendizaje de máquina?
El rápido crecimiento de la información, ha hecho imposible que un humano
sea capaz de procesar y analizar tal cantidad de datos, por lo tanto técnicas
como el aprendizaje de máquina se han popularizado por la variedad de
modelos con los que se puede analizar grandes volúmenes de datos de forma
más rápida y precisa.

El resultado de usar aprendizaje de máquina son predicciones de alto valor

que pueden guiar y tomar las mejores decisiones sin necesidad de la
intervención humana.
Ejemplos de aplicaciones de aprendizaje
de máquina
● Reconocimientos de Caracteres Escritos a Mano
● Biometría
● Reconocimiento de Caracteres Ópticos
● Detección de fraudes
● Filtración de Spam
● Reconocimiento de Voz
● Sistemas de Recomendación
● Pronóstico de Variables Económicas
● Diversos Sistemas de Ayuda a la Toma de Decisiones
Tipos de Aprendizaje de Máquina

Predictivo - Supervisado Descriptivo - No Supervisado

Aprendizaje de
Máquina
 Tipos de Aprendizaje de Máquina

Predictivo - Supervisado

Aprendizaje de
Máquina

El objetivo es aprender un mapeo a partir de entradas x a salidas y, dado un

conjunto de pares entrada-salida etiquetados
En esta caso D se conoce como el conjunto de entrenamiento y N es el número
de muestras allí.
Ejemplo Aprendizaje Supervisado
Conceptos Aprendizaje de Máquina
Atributo: Variables o medidas del sistema o fenómeno que se desea modelar
Muestra: Conjunto de uno o más atributos.

Atributo 1 Atributo 2 Atributo 3 ... Atributo d Salida

Muestra 1 1.5 ^ ... A

Muestra 2 2.5 Ausente / ... H

... ... ... ... ... Ty

Muestra N -3.4 ) ... Yt

NOTA: Atributo = Característica

Conceptos Aprendizaje de Máquina

En principio la salida o Variable respuesta puede ser cualquier cosa, pero la

mayoría de métodos asume que, y es una variable categórica o nominal de
un conjunto finito de ( como hombre o mujer), o que y
es un valor real (como el nivel de ingresos de una empresa)

Salida Tipo de problema

Categórica Clasificación o Reconocimiento de Patrones

Valor real Regresión

Tipos de Aprendizaje de Máquina

Predictivo - Supervisado

Clasificación

Regresión
Tipos de Aprendizaje de Máquina

Predictivo - Supervisado El objetivo es aprender a mapear

desde entradas x a salidas y, donde

Clasificación donde C es el número de clases.

C [ Número de clases] Tipo de clasificación

C=2 Clasificación Biclase-Binaria

C>2 Clasificación Multiclase

Una manera de formalizar el problema es con una función de aproximación.

Podemos asumir que para una función desconocida f , y el objetivo del aprendizaje
es estimar la función f , y hacer predicciones usando
Nuestro mayor objetivo es realizar predicciones a partir de muestras no utilizadas en el
entrenamiento.
Tipos de Aprendizaje de Máquina

Predictivo - Supervisado

Clasificación Retos

Variabilidad Intra-Clase Variabilidad Entre-Clases

Tipos de Aprendizaje de Máquina

Predictivo - Supervisado El objetivo es aprender a mapear desde entradas x a

salidas y, donde

Regresión

Una manera de formalizar el problema es con una función de aproximación.

Podemos asumir que para una función desconocida f , y el objetivo del aprendizaje
es estimar la función f , y hacer predicciones usando
Nuestro mayor objetivo es realizar predicciones a partir de muestras no utilizadas en el
entrenamiento.
Tipos de Aprendizaje de Máquina

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

Predictivo - Supervisado Descriptivo - No Supervisado

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.

Dividir el espacio en celdas de tamaño constante constituye un modelo no paramétrico, ya que el

elegir el tamaño de la celda no define un comportamiento para los datos.
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 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.