0 calificaciones0% encontró este documento útil (0 votos)
34 vistas2 páginas
El documento describe diferentes técnicas de aprendizaje automático, incluyendo aprendizaje supervisado, clasificación binaria y multi-clase, funciones logit y sigmoide, máquinas de vector soporte y regresión logística.
El documento describe diferentes técnicas de aprendizaje automático, incluyendo aprendizaje supervisado, clasificación binaria y multi-clase, funciones logit y sigmoide, máquinas de vector soporte y regresión logística.
El documento describe diferentes técnicas de aprendizaje automático, incluyendo aprendizaje supervisado, clasificación binaria y multi-clase, funciones logit y sigmoide, máquinas de vector soporte y regresión logística.
El aprendizaje automático: Es el subconjunto de inteligencia artificial (IA) que se
centra en desarrollar sistemas que aprenden, o mejoran el rendimiento, en función
de los datos que consumen. Inteligencia artificial es un término amplio que se refiere a sistemas o máquinas que imitan la inteligencia humana. Aprendizaje supervisado: Es una técnica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación). El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente. Clasificación Binaria: Es un tipo de clasificación en el que tan solo se pueden asignar dos clases diferentes (0 o 1). El ejemplo típico es la detección de email spam, en la que cada email es: spam → en cuyo caso será etiquetado con un 1; o no lo es → etiquetado con un 0. Clasificación Multi-clase: Se pueden asignar múltiples categorías a las observaciones. Como el reconocimiento de caracteres de escritura manual de números (en el que las clases van de 0 a 9). Función logit: Es simplemente el logaritmo de la función impar (log-odds). Esta función toma valores de entrada en el rango [0,1] en valores en el rango completo de numeros reales [-∞,∞]. función sigmoide: Permite describir esta evolución. Su gráfica tiene una típica forma de "S". Máquinas de Vector Soporte (SVM): Este algoritmo puede ser considerado una extensión del algoritmo “perceptron”. En SVM el objetivo de la optimización es establecer una línea de decisión que separe las clases maximizando el margen entre esta línea y los puntos de muestra cercanos a este hiperplano. Estos puntos se llaman vectores soporte. Proporción: Es la medida estadística más simple que puede adscribirse a una variable binaria. La proporción expresa la frecuencia con que se encuentra la variable de interés, dentro del conjunto total de datos de una población. Regresión logística: Es un algoritmo de clasificación (a pesar de su nombre) simple, pero potente. Funciona muy bien en clases linealmente separables y se puede extender a clasificación multiclase, a través de la técnica OvR.