Introducción al Machine

Learning
Instructor: Pedro Fabricio Echeverría Briones
Objetivo
• Identificar las caracteristicas que forman el Machine Learning con sus
diferentes clasificaciones.
Agenda
• ¿Qué es Machine Learning?
• Tipos de Aprendizaje
• Aprendizaje Supervisado
• Aprendizaje No Supervisado
• Apendizaje Profundo
• Aprendizaje Reforzado
• Presente y Futuro
¿Qué es Machine Learning?
• Es una forma de programación, basada en datos.
• Es un conjunto de métodos que utilizan las computadoras para realizar y
mejorar predicciones o comportamientos basados en datos (Molnar, 2021).
Ejemplos de Aplicaciones basadas en
Machine Learning – Traducción de texto

https://translate.google.com/
Ejemplos de Aplicaciones basadas en
Machine Learning – Patrones de imagenes

https://www.autodraw.com/
Ejemplos de Aplicaciones basadas en
Machine Learning – Reconocimiento facial
Ejemplos de Aplicaciones basadas en Machine
Learning – Forecast: predicción de series de
tiempo

https://cloud.google.com/blog/topics/developers-
practitioners/how-use-machine-learning-model-google-sheet-
using-bigquery-ml
Tipos de Aprendizaje
• Aprendizaje Supervisado
• Aprendizaje No Supervisado
• Apendizaje Profundo
• Aprendizaje Reforzado
Aprendizaje Supervisado
• El objetivo principal es entrenar
un modelo a partir de datos
etiquetados que nos permita
hacer predicciones sobre datos
futuros o no vistos (Tatsat, Puri,
& Lookabaugh, 2021).
Tipos Aprendizaje Supervisado: Regresión
La regresión se utiliza en la predicción
de resultados continuos (Tatsat, Puri,
& Lookabaugh, 2021).

Algoritmos de ML:
• Regresión Lineal, Múltiple, Lasso &
Ridge
• Arboles de Decisión
• Random Forest
• K-Nearest Neigbords
• Support Vector Machine
• Redes Neuronales Artificiales
Tipos Aprendizaje Supervisado: Clasificación
Es predecir las etiquetas de clase
categóricas de nuevas instancias
basadas en observaciones
pasadas (Tatsat, Puri, &
Lookabaugh, 2021).

Algoritmos de ML:
• Regresión Logística
• Arboles de Decisión
• Random Forest
• K-Nearest Neigbords
• Support Vector Machine
• Redes Neuronales Artificiales
Aprendizaje no Supervisado
• Es un tipo de Machine Learning
que se utiliza para extraer
inferencias de conjuntos de datos
que consisten en datos de
entrada sin respuestas
etiquetadas (Tatsat, Puri, &
Lookabaugh, 2021).
Tipos Aprendizaje no Supervisado: Reducción de
Dimensionalidad
Es el proceso de reducir la
cantidad de características, o
variables, en un conjunto de
datos mientras se preserva la
información y el rendimiento
general del modelo (Tatsat, Puri,
& Lookabaugh, 2021).

Algoritmos de ML:
• Análisis de Componente
Principales(PCA)
Tipos Aprendizaje no Supervisado: Agrupación
(Clúster)
El objetivo es encontrar una
agrupación natural en los datos
para que los elementos del
mismo grupo sean más similares
entre sí que a los de diferentes
grupos (Tatsat, Puri, &
Lookabaugh, 2021).

Algoritmos de ML:
• K-Mean, K-Medoids
• DBScan
• Gaussianas
Aprendizaje Profundo
Deep Learning
• Es un subconjunto de
aprendizaje automático y se
llama aprendizaje profundo
porque hace uso de redes
neuronales para realizar las
extracciones de las
caracteristicas y luego hacer una
clasificación (Rungta, 2018).
Red Neuronal Artificial: Input, Hidden Layers,
Output
Por qué se lo considera profundo: porque
tiene muchas capas ocultas
Aprendizaje Reforzado
• Los sistemas son entrenados
recibiendo “recompensas”
virtuales o “castigos”,
esencialmente aprendiendo por
ensayo y error (Rungta, 2018).
Presente y Futuro: Tendencias

https://books.google.com/ngrams/graph?content=Machine+Le
arning%2Cartificial+intelligence%2Cdeep+learning%2Creinforce
ment+learning&year_start=1960&year_end=2019&corpus=26
&smoothing=3
Presente y Futuro: Big Data 2
Presente y Futuro: Auto ML

https://docs.microsoft.com/en-us/azure/machine-learning/tutorial-auto-train-models
Referencias
• Rungta, K. (2018). TensorFlow en 1 día: Haz tu propia red neuronal.
New York: Rungta.
• Tatsat, H., Puri, S., & Lookabaugh, B. (2021). Machine Learning & Data
Science Blueprints for Finance. Sebastopol: O’Reilly Media, Inc.
• Molnar, C. (2021). Interpretable Machine Learning. Chicago: LeanPub.