CARRERA : INTELIGENCIA ARTIFICIAL VI SEMESTRE

CURSO : PROT. DE APLI. DE INTELIGENCIA ARTIFICIAL

Instructor Mg. Arturo Huapaya H.

Escuela de Tecnologías de la Información
 Objetivo del curso

Diseñar e implementar prototipos en

función a proyectos basados en IA
mediante Azure de Microsoft.
Diseñar e implementar prototipos en
función a proyectos basados en IA
mediante Watson de IBM.

2
Escuela de Tecnologías de la Información www.senati.edu.pe
 Objetivo de la semana 2

Construir modelos de Machine

Learning

3
Escuela de Tecnologías de la Información www.senati.edu.pe
 Machine Learning

4
Escuela de Tecnologías de la Información www.senati.edu.pe
 ¿Qué es Machine Learning?

5
Escuela de Tecnologías de la Información www.senati.edu.pe
 ¿Qué es una base de conocimiento?

• El machine learning es una rama dentro del campo de la Inteligencia

Artificial que proporciona a los sistemas la capacidad de aprender y
mejorar de manera automática, a partir de la experiencia. Estos
sistemas transforman los datos en información, y con esta
información pueden tomar decisiones. Para que un modelo realice
predicciones de manera robusta, necesita alimentarse de datos.

• Una vez disponemos de los datos, estamos en disposición de

comenzar el proceso de aprendizaje. Este proceso, llevado a cabo
por un algoritmo, trata de analizar y explorar los datos en búsqueda
de patrones ocultos. El resultado de este aprendizaje, a veces, no es
más que una función que opera sobre los datos para calcular una
determinada predicción.

6
Escuela de Tecnologías de la Información www.senati.edu.pe
 Tipos de aprendizaje automático

• Dependiendo de los datos disponibles y la tarea que queramos abordar, podemos elegir entre distintos tipos de aprendizaje. Estos
son: aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semi-supervisado y aprendizaje por refuerzo.

7
Escuela de Tecnologías de la Información www.senati.edu.pe
 Aprendizaje supervisado

• El aprendizaje supervisado necesita conjuntos de datos etiquetados, es decir, le decimos al modelo qué es lo que queremos que
aprenda. Por ejemplo, tenemos una heladería y durante los últimos años hemos estado registrando diariamente datos
climatológicos, temperatura, mes, día de la semana, etc., y también hemos hecho lo propio con el número de helados vendidos cada
día. En este caso, seguramente nos interesaría entrenar un modelo que, a partir de los datos climatológicos, temperatura, etc.
(características del modelo) de un día concreto, nos diga cuántos helados se van a vender (la etiqueta a predecir).

8
Escuela de Tecnologías de la Información www.senati.edu.pe
 Clasificación del aprendizaje supervisado

9
Escuela de Tecnologías de la Información www.senati.edu.pe
 1. Regresión

• Donde se predice un valor real basado en entradas pasadas. Estos algoritmos

se usan para predecir valores de salida basados en algunas características de
entrada obtenidas de los datos.

• A esto, el algoritmo construye un modelo basado en las características y los

valores de salida de los datos de entrenamiento y este modelo se usa para
predecir los valores para nuevos datos. Los valores de salida en este caso son
continuos y no discretos.

• Algunos ejemplos de este algoritmo son: predecir los precios de la vivienda,

predecir las cantidades de compra, predecir la cantidad de ingresos se genera
a partir de una nueva campaña de marketing.

10
Escuela de Tecnologías de la Información www.senati.edu.pe
 Tipos de algoritmos de Regresión

• Regresión lineal: La regresión es una forma estadística de establecer una relación

entre una variable dependiente y un conjunto de variables independientes.

• Ejemplos: predecir el tráfico en una tienda minorista, predecir el tiempo de

permanencia de un usuario o el número de páginas visitas en un blog, etc.

• Arboles de decisión regresión: Crear un árbol de decisiones es en un proceso de

dividir los datos de entrada, este es un procedimiento numérico en el que se alinean
todos los valores y se prueban diferentes puntos de división utilizando distintos
métodos.

• Ejemplos: Predecir la temperatura de un lugar específico de acuerdo a los

datos históricos. Respuesta Correcta

11
Escuela de Tecnologías de la Información www.senati.edu.pe
 Demo

• Investigar para que se utilizan los algoritmos de

Regresión polinomeal, Vectores de soporte regresión y
Bosques aleatorios regresión. De un ejemplo de su
aplicación en ML.

• Trabajo Grupal

• Duración : 20 minutos

12
Escuela de Tecnologías de la Información www.senati.edu.pe
 Taller 02: Actividad 01

• Investigar para que se utilizan los algoritmos de

Regresión polinomeal, Vectores de soporte regresión y
Bosques aleatorios regresión. De un ejemplo de su
aplicación en ML.

• Trabajo Grupal

• Duración : 20 minutos

13
Escuela de Tecnologías de la Información www.senati.edu.pe
 2. Clasificación

• En los problemas de clasificación, las muestras o los datos que

usaremos pertenecen a 2 o más clases (categorías).

• Lo que queremos, es crear un modelo que aprenda de estos datos

etiquetados, para que en un futuro puede predecir la clase de datos
sin etiquetar.

• Existen muchos ejemplos de clasificación, como el filtrado de

correo de Gmail, el cual clasifica que correo es spam y que no.
También problemas como el reconocimiento de dígitos escritos a
mano, entre otros.

14
Escuela de Tecnologías de la Información www.senati.edu.pe
 Tipos de algoritmos de Clasificación

• Árboles de Decisiones

• Regresión Logistica

• Clasificador Naive Bayes

• Perceptron

• Maquinas de Vectores de Soporte (SVM)

• K-vecino más cercano

• Árboles de Decisiones

15
Escuela de Tecnologías de la Información www.senati.edu.pe
 Demo: Algoritmo de clasificación

• Con el método "predict", le digo

al clasificador que tome el
vector que le paso como
parámetro, y que lo clasifique
en una clase (tipo de iris). El
resultado es "2", ya que como
hemos visto en artículos
anteriores, "2" representa al
tipo de iris "virginia".

16
Escuela de Tecnologías de la Información www.senati.edu.pe
 Taller

17
Escuela de Tecnologías de la Información www.senati.edu.pe
 Actividad 03: Taller

• Descargar 3 dataset de la pagina kaggle.

• Desde Azure Machine Learning, crear su espacio de trabajo, una instancia

de Proceso y cluster de proceso.
• Ejecute un script de Python que permita cargar el dataset IRIS y
genere un modelo de clasificación. Ingrese varios valores mediante
knn.predict.
• Generar 3 modeles de Machine Learning mediante Automated ML
de Azure

• Trabajo Grupal

• Duración : 2 Horas

18
Escuela de Tecnologías de la Información www.senati.edu.pe
 GRACIAS!!

19
Escuela de Tecnologías de la Información www.senati.edu.pe