UNIVERSIDAD AUTONOMA DE NUEVO LEON

FACULTAD DE INGENIERIA MECANICA ELECTRICA

INTELIGENCIA ARTIFICIAL Y REDES NEURONALES
CATEDRÁTICO: DANIEL ISAÍAS LÓPEZ PÁEZ
ACTIVIDAD #3: MACHINE LEARNING.
NOMBRE DEL ALUMNO MATRICULA CARRERA
MARVIN YAIR SANCHEZ CRUZ 2077760 IMTC

GRUPO DIA-HORA
007 L-M-V
N1

PERIODO ESCOLAR: ENERO 2023 – JUNIO 2023

CIUDAD UNIVESITARIA, SAN NICOLAS DE LOS GARZA, NUEVO LEON A 13 DE MARZO DEL 2023
 1. ¿Qué es Machine Learning?
El Machine Learning es una rama de la inteligencia artificial que permite a las
máquinas aprender y mejorar a partir de la experiencia en lugar de ser
programadas de manera explícita para realizar tareas específicas.
2. ¿Qué es Deep Learning?
Deep Learning (aprendizaje profundo) es una técnica de aprendizaje automático
que se basa en el uso de redes neuronales artificiales profundas para aprender y
mejorar a partir de los datos.
3. ¿Qué es el Procesamiento del Lenguaje Natural (NLP siglas en inglés)?
Es un área de la inteligencia artificial que se enfoca en la interacción entre
humanos y computadoras a través del lenguaje natural. El objetivo principal del
NLP es permitir a las computadoras entender, interpretar y generar lenguaje
humano de manera efectiva.
4. ¿Qué es el Aprendizaje Supervisado?
Es una técnica de Machine Learning en la que se proporciona a un algoritmo un
conjunto de datos de entrenamiento etiquetados, es decir, un conjunto de datos en
el que se conocen las respuestas correctas para cada muestra.
5. ¿Qué es el Aprendizaje no Supervisado?
Técnica utilizada en el aprendizaje automático que se enfoca en encontrar
patrones en datos sin la necesidad de etiquetas o respuestas predefinidas. En
lugar de ello, el algoritmo examina los datos y busca agruparlos en categorías o
clústeres basados en similitudes o patrones que encuentra en los datos.
6. ¿Qué es el Aprendizaje Semisupervisado?
Es una herramienta que puede servir en casos donde se debe realizar
clasificaciones y se cuentan con pocos datos de los fenómenos que se quieren
analizar. Es una técnica de aprendizaje automático que utiliza tanto datos
etiquetados como no etiquetados para mejorar la precisión del modelo.
7. ¿Qué es el Aprendizaje Reforzado?
Es una variedad del Machine Learning que permite a una Inteligencia Artificial
planear estrategias efectivas en base a la experimentación con los datos. Se trata
de una forma de optimización basada en datos. Se utiliza para enseñar a un
agente a tomar decisiones en un entorno para maximizar una recompensa
numérica. El agente interactúa con el entorno, toma decisiones y recibe
retroalimentación en forma de recompensas
 8. Menciona un ejemplo de algoritmo de aprendizaje supervisado y menciona
si pertenece a la técnica de regresión o de clasificación.
Al clasificar vehículos de dos y cuatro ruedas a partir de sus imágenes. Los datos
de entrenamiento tendrían que estar correctamente etiquetados para identificar si
un vehículo es de dos o cuatro ruedas.
Perteneciendo a la técnica de clasificación.
9. Menciona un ejemplo de algoritmo de aprendizaje no supervisado dentro de
la técnica de clustering.
Recibe datos de entrada con imágenes de diferentes gatos y perros. Como no hay
un entrenamiento con datos previos. La tarea es identificar las características de
las diferentes imágenes. Tarea que ejecutará agrupándolas en función de las
semejanzas que encuentre entre ellas.
10. ¿En qué consiste el algoritmo de "regresión lineal"?
Es una técnica de aprendizaje supervisado utilizada para modelar la relación entre
una variable dependiente y una o más variables independientes. El objetivo es
encontrar una línea que mejor se ajuste a los datos para hacer predicciones sobre
los valores de la variable dependiente.
11. ¿En qué consiste el algoritmo "árbol de decisión"?
Un árbol de decisión es un algoritmo de aprendizaje supervisado no paramétrico,
que se utiliza tanto para tareas de clasificación como de regresión. Tiene una
estructura de árbol jerárquica, que consta de un nodo raíz, ramas, nodos internos
y nodos hoja. Utilizado para modelar relaciones entre variables y hacer
predicciones. Utiliza un modelo de árbol para representar decisiones y
consecuencias posibles, y busca dividir el conjunto de datos en subconjuntos más
pequeños para maximizar la homogeneidad de los datos. Es una herramienta útil
para la toma de decisiones y la clasificación de datos.
En Python...
1. ¿Para qué se usa la librería Matplotlib?
Sirve para la visualización de datos. Permite crear una amplia variedad de
gráficos, desde gráficos de línea simples hasta diagramas de dispersión, gráficos
de barras, gráficos de área, histogramas, gráficos 3D, entre otros.
2. ¿Para qué se usa la librería Numpy?
Usado en la computación científica y numérica. Proporciona herramientas para
trabajar con matrices y arreglos multidimensionales, junto con una amplia gama de
funciones matemáticas y operaciones de álgebra lineal.
3. ¿Para qué se usa la librería Pandas?
Se usa para el análisis de datos y la manipulación de estructuras de datos.
Proporciona herramientas para trabajar con datos estructurados y no
estructurados, y es muy popular en la ciencia de datos, la ingeniería, la
investigación y otros campos que requieren el análisis y la manipulación de datos.
4. ¿Para qué se usa la librería Scikit-learn?
Proporciona una amplia gama de herramientas para el preprocesamiento de
datos, la selección de modelos, el entrenamiento de modelos y la evaluación de su
rendimiento. Scikit-learn es muy utilizada para resolver problemas de aprendizaje
automático en diversas áreas.
5. ¿Para qué se usa la librería Tensorflow?
Se utiliza para construir y entrenar modelos de Deep Learning para una amplia
gama de aplicaciones, como reconocimiento de imágenes y de voz,
procesamiento del lenguaje natural, robótica, y muchas otras.
6. ¿Para qué se usa la librería Keras?
Se utiliza comúnmente para crear modelos de aprendizaje profundo, como redes
neuronales convolucionales (CNN), redes neuronales recurrentes (RNN) y redes
neuronales completamente conectadas. Los modelos creados con Keras se
pueden utilizar para resolver varios problemas, como la clasificación de imágenes,
la detección de objetos, la traducción de idiomas, el procesamiento del lenguaje
natural y la predicción de series de tiempo.