Documentos de Académico
Documentos de Profesional
Documentos de Cultura
VICERRECTORADO ACADÉMICO
MACHI
NE
LEARN
ING
PROFESORA: BACHILLERES:
Machine learning es la ciencia en la que, para predecir un valor, se aplican algoritmos para
que un sistema aprenda patrones dentro de los datos. Con el uso de datos suficientes, se
establece la relación entre todas las variables de entrada y los valores a predecir. Es más
fácil que el sistema prediga un nuevo valor dadas otras variables de entrada. Este enfoque
difiere de la programación convencional donde una aplicación se desarrolla en base a reglas
previamente establecidas. A pesar de que los conceptos fundamentales de machine learning
han existido por algún tiempo, el tema ha ganado impulso recientemente debido a los
procesadores de última generación y la abundante información disponible, que son clave
para lograr predicciones precisas.
Machine Learning
Es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser
expresamente programadas para ello. Una habilidad indispensable para hacer sistemas
capaces de identificar patrones entre los datos para hacer predicciones. Esta tecnología está
presente en un sinfín de aplicaciones como las recomendaciones de Netflix o Spotify, las
respuestas inteligentes de Gmail o el habla de Siri y Alexa.
¿Cuál es su objetivo?
¿Cómo funcionan?
El aprendizaje supervisado trabaja con datos etiquetados, es decir, datos para los que ya
conoce la respuesta de destino. En base a un histórico, trata de buscar patrones
relacionándolos con un campo especial, llamado objetivo, dadas unas variables de entrada.
A través de dicho histórico de datos, el algoritmo puede aprender a asignar una etiqueta de
salida o función que le permita predecir el atributo objetivo para una nueva acción. El
aprendizaje supervisado se utiliza en dos tipos de problemas: clasificación (por ejemplo,
Detección de fraude) y regresión (por ejemplo, predicciones meteorológicas).
Aprendizaje no supervisado
El aprendizaje no supervisado está formado por datos de entrada, pero no se conocen los
datos de salida, es decir, no cuenta con un conjunto de datos etiquetados para las pruebas de
entrenamiento. Este modelo suele utilizarse como método exploratorio o de análisis. Los
usos más comunes de este tipo de aprendizaje son:
Problemas de clustering.
Agrupamientos de co-ocurrencia.
Profiling de datos.
Aprendizaje semisupervisado
Por último, el aprendizaje por refuerzo se basa en un sistema de prueba y error. Su objetivo
principal es generar un aprendizaje que permita obtener una recompensa específica a medio
largo plazo.
Algoritmos de clasificación
Remitente.
Destinatario individual o en listado.
Símbolos y lenguaje utilizado en el asunto.
Regresión logística.
Árboles de decisión.
Clasificación de Naïve Bayes.
Bosques aleatorios.
Algoritmos de regresión
En este sentido, el ejemplo más común es la regresión lineal. ¿Qué significa este concepto?
Se trata de un algoritmo de aprendizaje supervisado que se utiliza en ML y en estadística y,
en términos sencillos, establece una recta para proporcionar la tendencia de un conjunto de
datos.
Algunos de los usos son los siguientes: la predicción del precio de la vivienda, el tiempo de
permanencia de un empleado en una empresa, tiempo que tardará un vehículo en ir de un
punto a otro, estimación de ventas de productos.
*Protección de datos: El malware es un problema creciente hoy en día. Pese a que casi a
diario surgen nuevos malware, suelen tener casi el mismo código que las versiones
anteriores. De esta manera, el machine learning puede predecir qué archivos son malware
con gran precisión. Es más, los algoritmos de machine learning pueden buscar patrones en
cómo se accede a los datos en la nube e informar de anomalías que podrían predecir
infracciones de seguridad.
*Comercio financiero
*Detección de fraudes
El machine learning es cada vez más eficaz detectando posibles casos de fraude en
diferentes campos. PayPal ya utiliza el machine learning para combatir el blanqueo de
dinero; la compañía tiene herramientas que comparan millones de transacciones y pueden
distinguir con precisión entre transacciones legítimas y fraudulentas, entre compradores y
vendedores.
Los sistemas de machine learning como un servicio han generado una revolución en la
capacidad de las organizaciones de llegar a potenciales clientes. Así, han nacido nuevas
ramas como el marketing predictivo.
Como ejemplo, las aplicaciones de machine learning en redes sociales se multiplican, con
algoritmos capaces de sugerir nuevas amistades o perfiles interesantes a los usuarios,
además de anuncios relevantes.
*Salud y medicina
En el campo de la medicina, se trabaja para que los sistemas de machine learning como un
servicio permitan detectar enfermedades de forma temprana o predecir su evolución a
través del análisis de datos.
Como ejemplo, son muchas las industrias que ya aplican el machine learning para
posibilitar un mantenimiento predictivo. Así, las propias máquinas son capaces de
reaccionar antes de que se produzcan fallos que, a su vez, provoquen interrupciones en la
producción.
Conclusión
Para concluir la mente humana está dotada para trabajar en el desarrollo de diferentes
habilidades como: emoción, pensamiento, razonamiento, aprendizaje, lenguaje, visión y
sobre todo está llena de sentido común y conciencia de nosotros mismos, algo que no está
en las máquinas, las cuáles, por ejemplo, no son capaces de negociar, de emocionarse, de
pensar por sí solas y de socializar.