Documentos de Académico
Documentos de Profesional
Documentos de Cultura
https://conceptodefinicion.de/aprendizaje/
¿Cómo aprendemos los humanos?
Análisis Predictivo
• Predicción Discreta o
Clasificación
• Predicción Continua o
• Predecir riesgos Regresión
• Predecir activación de
nuevos clientes
• Predecir clima
• Predecir inventario
Imagen: http://www.iiia.csic.es/udt/
Aprendizaje Supervisado
Predicción Discreta o Clasificación
Estudio de categorías pre-definidas para
catalogar nuevos elementos.
Redes Neuronales
Árboles de Decisión
Métodos Probabilísticos
Métodos de Regresión
Redes Neuronales
Árboles de Decisión
Métodos Probabilísticos
Métodos de Regresión
Redes Neuronales
Árboles de Decisión
Métodos Probabilísticos
Métodos de Regresión
Redes Neuronales
Árboles de Decisión
Métodos Probabilísticos
P (c j ) P ( d | c j )
Máq. de Soporte Vectorial
P (c j | d )
P(d )
Métodos de Regresión
Redes Neuronales
Árboles de Decisión
Métodos Probabilísticos
Métodos de Regresión
Redes Neuronales
Árboles de Decisión
Métodos Probabilísticos
Métodos de Regresión
Redes Neuronales
Árboles de Decisión
Métodos Probabilísticos
Métodos de Regresión
• Age
• CarType
Arboles de Decisión
Mayor ganancia:
Reducción de la incertidumbre
de la variable objetivo, al
introducir otra variable aleatoria
ALGORITMOS
Regresión Clasificación
Variable objetivo es continua Variable objetivo es categórica
Valores en las hojas representan El valor en las hojas representan
la media de las observaciones. la moda de las observaciones.
ÁRBOLES DE CLASIFICACIÓN
C4, C4.5, C5.0, C5.7
ÁRBOLES DE REGRESIÓN/CLASIFICACIÓN
CART
Arboles de Decisión
#Graficar el árbol
from sklearn.externals.six import StringIO
from IPython.display import Image
from sklearn.tree import export_graphviz
import pydotplus
dot_data = StringIO()
var_predictoras = X.columns.values
nom_clases= ['Low','High']# Nombres de los target in orden numérico ascendente
export_graphviz(model, feature_names=var_predictoras, class_names= nom_clases,
out_file=dot_data,filled=True, rounded=True,special_characters=True)
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
Image(graph.create_png())
KNN (K-Nearest Neighbor)
Análisis Descriptivo
• Agrupamiento / Clustering
• Asociación
• Perfil de los clientes
• Selección de factores • Selección de Factores
• Detección de anomalías
• Canasta de mercado
Imagen: http://www.iiia.csic.es/udt/
Aprendizaje NO Supervisado
• Agrupamiento / Clustering
Organizar una población de datos heterogénea
en un número de clúster homogéneos.
Descripción en grupos
Clustering
Cohesión/ Inertia
Métodos de Clustering
Métodos Jerárquicos
Métodos Particionales
Redes Neuronales
Métodos Probabilísticos
Métodos evolutivos
Métodos difusos
Métodos de Clustering
Métodos Jerárquicos
Métodos Jerárquicos
Métodos Particionales
Redes Neuronales
Métodos Probabilísticos
Métodos evolutivos
Métodos difusos
Métodos de Clustering
Métodos Jerárquicos
Métodos Particionales
Redes Neuronales
Métodos Probabilísticos
Métodos evolutivos
Métodos difusos
Métodos de Clustering
Métodos Jerárquicos
Métodos Particionales
Redes Neuronales
Métodos Probabilísticos
Métodos evolutivos
Métodos difusos
Métodos de Clustering
Métodos Jerárquicos
Métodos Particionales
Redes Neuronales
Métodos Probabilísticos
Métodos evolutivos
Métodos difusos
Métodos de Clustering
Métodos Jerárquicos
Métodos Particionales
Redes Neuronales
Métodos Probabilísticos
Métodos evolutivos
Métodos difusos
Métodos de Clustering
Métodos Jerárquicos
Métodos Particionales
Redes Neuronales
Métodos Probabilísticos
Métodos evolutivos
Métodos difusos
K-means
Medicina Weight pH D
C
A 1 1
B 2 1
C 4 3 A B
D 5 4
C1 C2
A B
Example
K-Means - Ejemplo
• Seleccionar centroides aleatorios c1 A, c2 B
C
d( D , c1 ) ( 5 1)2 ( 4 1)2 5
d( D , c2 ) ( 5 2)2 ( 4 1)2 4.24
C1 C2
A B C D
A B
C1
C2
Example
K-Means - Ejemplo
• Seleccionar centroides aleatorios c1 A, c2 B
C
d( D , c1 ) ( 5 1)2 ( 4 1)2 5
d( D , c2 ) ( 5 2)2 ( 4 1)2 4.24
C1 C2
A B C D
A B C1
C2
c1 (1, 1)
D
2 4 5 1 3 4
C c2 ,
C2 3 3
(11 / 3, 8 / 3)
C1
A B ( 3.67 , 2.67)
Example
K-Means - Ejemplo
• Calcular la distancia de cada dato a cada centroide
A B C D
C
C2
C1
Asignar cada dato al clúster
A B más cercano.
Example
K-Means - Ejemplo
• Calcular los nuevos centroides con los miembros de cada
grupo.
D
C2 1 2 11 1
c1 , (1 , 1)
C 2 2 2
45 34 1 1
c2 , (4 , 3 )
C1 2 2 2 2
A B
Example
K-Means - Ejemplo
• Calcular la distancia de cada dato a cada centroide
A B C D
D
C2
C1
Asignar cada dato al clúster
A B
más cercano.
Stop
Datos no etiquetados
Datos etiquetados
2006
Deep
Learning
Cerebro Humano
Red biológica
compleja
formada por
millones de
células
Neurona Biológica
• La neurona biológica, como caso particular, posee la propiedad
conductiva de señales eléctricas o químicas, que permiten
formar una red, en la que la interconexión es muy alta.
Modelo Artificial
Funciones de activación
Red Neuronal
Activación con varias neuronas, una sola capa
Activación con varias capas
Conexiones entre las neuronas
Modelos feed-forward: se propagan en una sola dirección
Aprendizaje No Supervisado:
Aprendizaje Reforzado:
TIPOS DE REDES NEURONALES
Profundas
Conv
Creencias
Recursivas
Redes Neuronales Supervisadas
Perceptron simple
Perceptron multicapa
Adaline
Madaline
Backpropagation
Deep Learning
1. Perceptron simple
• Red neuronal tipo feed-forward supervisada,
sin capa oculta.
Neuronas
Entradas
1. Perceptron simple
• Función de activación:
• Hardlim: función escalón {0,1}
• Hardlims: función escalón simétrica
{1, -1}
0 0 0
1. Perceptron simple - AND
Función de activación escalón:
x1 x2 Y
1 1 1
1 0 0
0 1 0 Regla de aprendizaje
0 0 0
1. Perceptron simple - AND
Función de activación escalón:
x1 x2 Y
1 1 1
1 0 0
0 1 0 Regla de aprendizaje
0 0 0
1. Perceptron simple - OR
Función de activación escalón:
x1 x2 Y
1 1 1
1 0 1
0 1 1 Regla de aprendizaje
0 0 0
2. Perceptrón multicapa
• Es una red con alimentación hacia delante, compuesta
de varias capas de neuronas entre la entrada y la salida
de la misma, esta red permite establecer regiones de
decisión mucho más complejas que las de dos
semiplanos
Entradas
Neuronas
2. Perceptrón multicapa - Ejemplo
Función XOR:
Regiones identificadas por las capas
3. Adaline
(Adaptative Linear Element)
Entradas
Neuronas
5. Redes Backpropagation
• Red del tipo de perceptron multicapa con un aprendizaje
supervisado, que emplea un ciclo propagación – adaptación de
dos fases:
– Regla de aprendizaje:
• wi+1 = wi + 2α (yi – yni’) xi
• bi+1 = bi + 2α(yi – yni’)
Donde (yi – yni’) es el error de cada neurona
5. Redes Backpropagation
SUGERENCIAS
• Funciones de transferencia en la primera capa:
logsig, cuando el rango de la función es siempre
positivo y tansig cuando se le permite a la
función oscilar entre valores positivos y
negativos limitados en el intervalo –1, 1.
* Redes Neuronales
Ejercicio
Ejercicio Datos en el Plano
Diseñe una red neuronal para “aprender” el siguiente
patrón de comportamiento. Asuma que existen 4
regiones en el espacio.
6. Redes Profundas
Profundo
Descripción
• Redes convolucionales
• Redes recursivas
• Redes de creencia
Por Refuerzo
Premio/Castigo
Por cada acción, pacman recibe una recompensa (positiva: puntos por
comer; negativa: morir si se cruza con un fantasma)
Aprendizaje por Refuerzo
Aprender a seleccionar la
mejor acción a ejecutar
mediante un proceso
interactivo de prueba y error
Características
• No hay ejemplos de entrenamiento, no se suministran
ejemplos etiquetados (se aprende por repetición).
https://www.youtube.com/watch?v=j1IVecHPL-Q
Q-learning