UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA

VICERRECTORADO ACADÉMICO

COORDINACIÓN GENERAL DE PREGRADO

PROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL

ASIGNATURA: SISTEMAS DE INFORMACION

MACHI
NE
LEARN
ING

PROFESORA: BACHILLERES:

JOMARY LEZAMA JUAN DE LORENZIS C.I: 25.696.879

FRANKLIN CORONADO C.I:27.578.587

PUERTO ORDAZ - ENERO - 2022

 Introducción

Hay problemas en Informática que se pueden “definir” concretamente y son simples de

convertir en un algoritmo Ejemplo: Ordenar alfabéticamente una lista, calcular el balance
de una cuenta. Hay otros que son simples de “entender” pero muy difíciles de “definir” y
convertir en algoritmo Ejemplo: Detectar una sonrisa en una cara, interpretar un gesto del
lápiz como una letra dada El Aprendizaje Automatizado introduce métodos que pueden
resolver esas tareas “aprendiendo” la solución a partir de ejemplos de cómo se realiza la
misma.

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.

“En definitiva, el ‘machine learning’ es un maestro del reconocimiento de patrones, y es

capaz de convertir una muestra de datos en un programa informático capaz de extraer
inferencias de nuevos conjuntos de datos para los que no ha sido entrenado previamente”,
explica José Luis Espinoza, científico de datos de BBVA México.

¿Cuál es su objetivo?

El objetivo principal de este modelo es aprender modificándose automáticamente así

mismo de forma que puede llegar a realizar tareas complejas que no podrían ser realizadas
mediante la clásica programación basada en reglas. De esta forma se pueden automatizar
funciones que en un principio solo podrían ser realizadas por personas.

¿Cómo funcionan?

Como se ha mencionado el funcionamiento de las redes se asemeja al del cerebro humano.

Las redes reciben una serie de valores de entrada y cada una de estas entradas llega a un
nodo llamado neurona. Las neuronas de la red están a su vez agrupadas en capas que
forman la red neuronal. Cada una de las neuronas de la red posee a su vez un peso, un valor
numérico, con el que modifica la entrada recibida. Los nuevos valores obtenidos salen de
las neuronas y continúan su camino por la red. Este funcionamiento puede observarse de
forma esquemática en la siguiente imagen. Una vez que se ha alcanzado el final de la red se
obtiene una salida que será la predicción calculada por la red. Cuantas más capas posea la
red y más compleja sea, también serán más complejas las funciones que pueda realizar.

Grupos de algoritmos en Machine Learning

El Machine Learning se fundamenta en cuatro grandes grupos de algoritmos:

 Machine Learning supervisado.

 Machine Learning no supervisado.
 Machine Learning semisupervisado.
 Machine Learning por refuerzo.
Aprendizaje supervisado

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

El aprendizaje semisupervisado es una técnica de aprendizaje automático que utiliza datos

de entrenamiento tanto etiquetados como no etiquetados.

Aprendizaje por refuerzo

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

En el aprendizaje supervisado, los algoritmos de clasificación se usan cuando el resultado

es una etiqueta discreta. Esto quiere decir que se utilizan cuando la respuesta se fundamenta
en conjunto finito de resultados.

El ejemplo más común de algoritmos de clasificación es el detector de correo no deseado

del correo electrónico. Partimos de dos únicas etiquetas: spam o no spam. ¿Cómo consigue
categorizarlo? En base a una serie de parámetros:

 Remitente.
 Destinatario individual o en listado.
  Símbolos y lenguaje utilizado en el asunto.

Cuando queda definida esta función, el algoritmo de clasificación es capaz de asignarle la

etiqueta correcta. A este tipo de metodología se le conoce como clasificación binaria.

Técnicas de Machine Learning para Clasificación

Actualmente, existen diferentes técnicas de aprendizaje automático para problemas de

clasificación. Algunas de las más destacables son las siguientes:

 Regresión logística.
 Árboles de decisión.
 Clasificación de Naïve Bayes.
 Bosques aleatorios.

Algoritmos de regresión

El análisis de regresión es un subcampo del aprendizaje automático supervisado cuyo

objetivo es establecer un método para la relación entre un cierto número de características y
una variable objetivo continua.

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.

Técnicas de Machine Learning para regresión

Existen diferentes técnicas de aprendizaje automático para problemas de regresión. Algunas

de las más destacables son las siguientes:

 Regresión lineal (utiliza datos continuos).

 Regresión logística (utiliza datos discretos).
 Árboles de decisión.
 Deep Learning.

Aplicaciones del machine learning.

*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

Predecir cómo se comportarán los mercados de valores es el sueño de muchos. Gracias al

machine learning esto podría convertirse en una realidad. Muchas empresas del sector ya
utilizan sus propios sistemas para predecir y ejecutar operaciones de gran volumen a altas
velocidades.

Aunque muchas de estas operaciones pueden depender de las probabilidades, hablamos de

un mercado con una probabilidad relativamente baja, donde estas aplicaciones pueden
generar enormes beneficios y ganancias para las empresas, y donde los humanos no pueden
competir con máquinas cuando se trata de consumir grandes cantidades de datos a gran
velocidad.

*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.

*Marketing, publicidad y redes sociales

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.

De igual modo, se planea aplicarla en la investigación médica además de aplicarla a la

atención al paciente a través de la planificación de terapias más adecuadas.
Aplicaciones de machine learning a nivel industrial

La capacidad de sacar valor de datos, predecir y proponer soluciones de las aplicaciones de

machine learning también tiene un enorme impacto en la industria. Menores costes,
optimización de procesos o un funcionamiento más seguro y fluido son algunas de las
mejoras que la Inteligencia Artificial puede traer al entorno industrial.

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.

El Machine Learning es una nueva herramienta clave que posibilitará el desarrollo de un

futuro mejor para el hombre brindando inteligencia a robots, coches y casas. Las Smart
Cities, el IOT ya se están volviendo una realidad y también las aplicaciones de Machine
Learning en Asistentes como Siri, las recomendaciones de Netflix o Sistemas de
Navegación en Drones. Para los ingenieros o informáticos es una disciplina fundamental
para ayudar a crear y transitar este nuevo futuro.
 Bibliografía

 Adext (2018). INTELIGENCIA ARTIFICIAL. [online] Available at:

https://blog.adext.com/es/machine-learning-guia-completa [Accessed 8 May 2018].
 Faggella, D. (2018). 7 Applications of Machine Learning in Pharma and Medicine.
[online] TechEmergence. Available at:
https://www.techemergence.com/machinelearning-in-pharmamedicine/ [Accessed
16 May 2018].
 Lab.elmundo.es. (2018). La Inteligencia artificial no es como en las pelculas. Qu
es? | EL MUNDO. [online] Available at: http://lab.elmundo.es/inteligencia-
artificial/quees.html [Accessed 20 May 2018].
 Ramon, R. Machine Learning es un área de la inteligencia artificial que busca
desarrollar técnicas para que las computadoras aprendan. (2014). [online] Available
at: https://www.youtube.com/watch?v=jBsUx-xiK88.
 Martínez, H. Todos podemos aprender Machine learning. (2017). [online] Available
at: https://www.youtube.com/watch?v=7ClLKBUvmRk.