Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
El aprendizaje dentro del contexto humano es un proceso a través del cual se adquieren
o modifican habilidades, destrezas, conocimientos, conductas o valores como resultado
del estudio, la experiencia, la instrucción, el razonamiento y la observación. Debe
producirse a partir de la experiencia con el entorno, no se considera aprendizaje toda
aquella habilidad o conocimiento que sean innatos en el individuo o que se adquieran
como resultado del crecimiento natural de éste.
General
Específicos
Justificación
Desarrollo
Regresión:
Esta es la condición en la que necesitamos que la computadora calcule un valor que está
asociado o relacionado con algunos datos.
Por ejemplo, si queremos detectar si un correo es spam o no, sólo hay 2 clases. Y el
algoritmo de machine learning de clasificación, tras darle un correo electrónico, tiene
que elegir a qué clase pertenece: spam o no-spam.
En los problemas de regresión los valores de los conjuntos que se desean reproducir han
de tener un valor continuo. Siendo este el valor que se desea reproducir. Para ello se
seleccionan las características con las que se realizarán las predicciones. En los
problemas de clasificación los valores de los conjuntos que se desean reproducir han ser
categorías. Siendo uno de los casos más habituales diferencias únicamente entre dos
posibles categorías: verdadero o falso.
Se puede ver en qué situaciones se ha de emplear cada uno de ellos. Los problemas de
regresión se utilizan cuando se desea distinguir entre puntos individuales. Por ejemplo,
predecir los niveles de ciertos contaminantes en el aire en base a datos como la
temperatura y humedad.
Sin embargo, se debe tener cuidado de recordar que los clasificadores bayesianos son
particularmente apropiados cuando el supuesto de independencia condicional de clase es
válido, y no en todos los casos. Otra preocupación práctica es que no siempre es posible
adquirir todos los datos de probabilidad.
La inferencia bayesiana puede identificar patrones o pistas para el fraude con tarjetas de
crédito al analizar los datos e inferir probabilidades con el teorema de Bayes. La
detección de fraudes con tarjetas de crédito puede tener falsos positivos debido a
información incompleta.
Diagnóstico médico
El teorema de Bayes se aplica en los diagnósticos médicos para utilizar datos de casos
anteriores y determinar la probabilidad de que un paciente tenga una determinada
enfermedad. La inferencia bayesiana permite una mejor predicción que los métodos
estadísticos tradicionales porque puede tener en cuenta todos los factores que pueden
afectar un resultado y proporcionar probabilidades en lugar de solo resultados binarios.
Es especialmente útil para enfermedades raras que pueden ocurrir con poca frecuencia y
requieren una gran cantidad de datos para hacer predicciones precisas.
Patrones en el rendimiento del conjunto de datos del cliente / campaña
de marketing
Los robots utilizarán el teorema de Bayes para extraer características relevantes como la
velocidad, la dirección del movimiento, los obstáculos y otros objetos del entorno.
A través del análisis de agrupamiento, se muestra que los modelos NHNN son capaces
de aprender características específicas del grupo y cerrar la brecha de desempeño entre
grupos.
Los hallazgos recientes sugieren que una gran fracción de las emisiones antropogénicas
de metano está representada por condiciones de funcionamiento anormales de los
equipos de petróleo y gas. Como tal, la mitigación eficaz requiere una identificación
rápida, así como la reparación de fuentes defectuosas controladas mediante tecnología
de detección avanzada o algoritmos de detección automática de fallas basados en
técnicas recursivas de Bayes.
Análisis forense
En la entrada se han visto las diferencias que existen entre los dos grandes problemas
que se pueden resolver con los algoritmos de aprendizaje automático. Estos son los
problemas de regresión y los problemas de clasificación. Se ha visto los algoritmos que
se pueden utilizar en cada uno de los casos y las métricas de rendimiento para cada uno
de ellos.
Recomendaciones
Bibliografías