Índice

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.

El Aprendizaje Automático (AA, o Machine Learning, por su nombre en inglés) es la

rama de la Inteligencia Artificial que tiene como objetivo desarrollar técnicas que
permitan a las computadoras aprender. De forma más concreta, se trata de crear
algoritmos capaces de generalizar comportamientos y reconocer patrones a partir de una
información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de
inducción del conocimiento que permite obtener por generalización un enunciado
general a partir de enunciados que describen casos particulares.

En el AA se va a considerar aprendizaje a aquello que la máquina pueda aprender a

partir de la experiencia, no a partir del reconocimiento de patrones ya programados. Por
tanto, una tarea central de cómo aplicar esta definición al contexto de la computación va
a consistir en alimentar la experiencia de la máquina por medio de objetos con los que
entrenarse (ejemplos) para, posteriormente, aplicar los patrones que haya reconocido
sobre otros objetos distintos.
 Objetivos

General

 Analizar el teorema de Bayes y su aplicación en el aprendizaje automático

Específicos

 Identificar como se relaciona el teorema de Bayes en el aprendizaje automático a

fin de proporcionar un algoritmo apropiado y óptimo
 Explicar el teorema de Bayes en el aprendizaje automático y la toma de
decisiones de probabilidad condicional

Justificación

Desarrollo

El aprendizaje automático es una de esas tecnologías cuyo potencial aún no se ha

explotado por completo. Hay varios elementos que lo hacen aún mejor, y uno de los
más importantes es el Teorema de Bayes. Pero antes de comprender la aplicación del
teorema de Bayes en el aprendizaje automático, es necesario comprender qué es
exactamente el teorema de Bayes y cómo funciona.

El teorema de Bayes es uno de los resultados más famosos y útiles en el campo de la

probabilidad y la estadística, especialmente en el estudio de la probabilidad condicional.
Básicamente, el teorema de Bayes te dice cómo calcular la probabilidad de un evento
dada la información previa sobre el evento. El teorema se ha convertido en una
herramienta muy utilizada por su sencillez y rápida aplicación en diversos campos del
conocimiento, como la medicina, la biología, la tecnología, los negocios o cualquier
campo donde sea necesario predeterminar la ocurrencia de una información específica.
Además, si el problema es necesario, este tipo de herramientas suelen utilizarse en serie
para mayor seguridad

En otras palabras, permite conocer la probabilidad condicional de un evento o suceso

determinado, El teorema de Bayes es muy útil, puesto que aplicándolo de la manera
correcta se puede conocer la probabilidad de que un suceso A pase, teniendo presente lo
ocurrido durante el evento B. Asimismo, existe la probabilidad de que suceda lo
contrario, donde ocurra B dado A.

La fórmula de Bayes, también conocida como la regla de Bayes, es un procedimiento

propuesto por el matemático inglés para determinar la probabilidad de un suceso.

En la fórmula de Bayes intervienen 3 probabilidades distintas, las cuales son:

P (Ai), que es la probabilidad que representa a priori de un suceso A.

P (Ai/B), que es la probabilidad que representa a posteriori de un suceso A. Es decir, la

información de lo sucedido en un evento B.

P (B/Ai), que es la probabilidad de un suceso B con base en la información del suceso

A.

La fórmula permite calcular la probabilidad condicional P (Ai/B) de los sucesos A dado

B.

El Machine Learning dispone de la tecnología necesaria para aplicar técnicas

estadísticas y algoritmos a grandes volúmenes de datos con tal de entender y responder
de una manera automática a la información. Esta tecnología está siendo cada vez más
usada por diferentes empresas y sectores en aplicaciones como el reconocimiento facial
o del habla, el análisis del comportamiento del consumo o la productividad

Teorema de bayes en el aprendizaje automático

Muchas decisiones requieren respuestas y números precisos, especialmente en el mundo

financiero. Aquí es donde la tecnología es útil para tomar las decisiones correctas. El
aprendizaje automático es una de las técnicas para ayudar a tomar las decisiones
correctas en esos momentos, y el teorema de Bayes ayuda a mejorar estas decisiones de
probabilidad condicional. El teorema de Bayes es un método para determinar la
probabilidad condicional, la probabilidad de que ocurra un evento dado que ya ha
ocurrido otro evento. Debido a que la probabilidad condicional involucra condiciones
adicionales, en otras palabras, más datos, puede ayudar a producir resultados más
precisos.

Por lo tanto, la probabilidad condicional es esencial para hacer predicciones y

probabilidades precisas en el aprendizaje automático. A medida que el campo se
expande a diferentes campos, es importante comprender el papel de los algoritmos y
técnicas como el Teorema de Bayes en el aprendizaje automático.

Categorías de problemas de aprendizaje automático

Cuando se trata de probabilidad condicional, los problemas de aprendizaje automático

se pueden dividir en dos categorías: regresión y clasificación.

 Regresión:

Esta es la condición en la que necesitamos que la computadora calcule un valor que está
asociado o relacionado con algunos datos.

Cuando usamos regresión, el resultado es un número. Es decir, el resultado de la técnica

de machine learning que estemos usando será un valor numérico, dentro de un conjunto
infinito de posibles resultados.

Aquí van algunos ejemplos de regresión:

a. Predecir por cuánto se va a vender una propiedad inmobiliaria

b. Predecir cuánto tiempo va a permanecer un empleado en una empresa
c. Estimar cuánto tiempo va a tardar un vehículo en llegar a su destino
d. Estimar cuántos productos se van a vender
 Clasificación:

Esta es la condición en la que asignamos el punto de datos a una categoría. Cuando

usamos clasificación, el resultado es una clase, entre un número limitado de clases. Con
clases nos referimos a categorías arbitrarias según el tipo de problema.

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.

Diferencias entre regresión y clasificación en aprendizaje automático

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.

Aplicación de los modelos

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.

En cambio, los problemas de clasificación se han de utilizar cuando se desea diferencia

entre clases de puntos que corresponden a categorías. Por ejemplo, cuando se desea
conocer si un cliente es hombre o mujer en base al contenido de su cesta de la compra.

¿Es el clasificador bayesiano un buen método?

Los algoritmos basados en el teorema de Bayes en el aprendizaje automático

proporcionan resultados comparables a otros algoritmos, y los clasificadores bayesianos
generalmente se consideran métodos simples de alta precisión.

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.

El aprendizaje automático bayesiano utiliza el teorema de Bayes para predecir

ocurrencias. La inferencia bayesiana se basa en el teorema de Bayes, que permite una
predicción precisa cuando se aplica a aplicaciones del mundo real. A continuación, se
muestran algunos excelentes ejemplos de aplicaciones de la inferencia bayesiana en el
mundo real:

 Detección de fraude con tarjetas de crédito

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.

Después de que se informa de una actividad inusual a la gestión de riesgos

empresariales, se utilizan técnicas de red neuronal bayesiana en el conjunto de datos del
perfil del cliente que incluye las transacciones financieras de cada cliente a lo largo del
tiempo. Estos análisis confirman si existen indicios de actividades fraudulentas.

 Filtrado de correo no deseado

La inferencia bayesiana permite la identificación de mensajes de correo no deseado

mediante el teorema de Bayes para construir un modelo que pueda determinar si es
probable que un correo electrónico sea correo no deseado o no.

El modelo bayesiano entrenado con el algoritmo bayesiano tomará en cuenta cada

palabra del mensaje y le dará diferentes pesos según la frecuencia con la que aparecen
tanto en los mensajes de spam como en los no spam. Las redes neuronales bayesianas
también se utilizan para clasificar correos electrónicos no deseados al observar la
probabilidad de que un correo electrónico sea spam o no en función de características
como el número de palabras, la longitud de las palabras, la presencia / ausencia de
caracteres particulares, etc.

 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.

El teorema de Bayes se utiliza para calcular probabilidades posteriores, que se

combinan con el conocimiento clínico sobre enfermedades y síntomas para estimar la
probabilidad de una afección. La inferencia bayesiana se utiliza en el diagnóstico de la
enfermedad de Alzheimer mediante el análisis de datos de pacientes pasados y la
búsqueda de un patrón que pueda indicar si una persona tiene esta afección.

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

La técnica de agrupamiento no paramétrico bayesiano se utiliza para encontrar patrones

ocultos en los datos. La técnica de agrupación en clústeres no paramétrica bayesiana
(BNC) es un método poderoso que se puede aplicar a varios conjuntos de datos, como
conjuntos de datos de clientes o rendimiento de campañas de marketing. Ayuda a
encontrar patrones ocultos en los datos porque el aprendizaje automático bayesiano no
requiere suposiciones sobre la distribución de las variables de entrada.

BNC te permite encontrar clústeres que sean estadísticamente significativos y que

también se puedan generalizar en otros conjuntos de datos.

 Ayuda a los robots a tomar decisiones

La inferencia bayesiana se utiliza en robótica para ayudar a los robots a tomar

decisiones. El teorema de Bayes se puede aplicar utilizando información del sensor en
tiempo real del entorno del robot e infiriendo sobre su próximo movimiento o acción
basándose en experiencias anteriores.

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.

El aprendizaje por refuerzo bayesiano se puede aplicar al aprendizaje de robots.

Aprendizaje por refuerzo bayesiano (BRL)utiliza el teorema de Bayes para calcular la
probabilidad de realizar una determinada acción basándose en experiencias /
conocimientos previamente aprendidos y observaciones recibidas de la información
sensorial. Se ha demostrado que BRL supera a otros algoritmos de aprendizaje
automático, como deep Q-learning, Monte Carlo Tree Search y Temporal Difference
Learning.

 Reconstrucción de imágenes limpias a partir de imágenes ruidosas

El teorema de Bayes se utiliza en problemas inversos bayesianos como la tomografía

bayesiana. La inferencia bayesiana se puede aplicar al problema de reconstruir imágenes
a partir de versiones ruidosas de esas imágenes utilizando el teorema de Bayes y los
algoritmos de Markov Chain Monte Carlo (MCMC).

 Predicción del tiempo

La inferencia bayesiana se puede utilizar en el aprendizaje automático bayesiano para

predecir el tiempo con más precisión. El teorema de Bayes se puede aplicar para
predecir patrones climáticos en tiempo real y probabilidades de lluvia basados en datos
pasados como temperatura, humedad, etc. Los modelos bayesianos se comparan
favorablemente con los enfoques clásicos porque toman en cuenta el comportamiento
histórico del sistema que se está modelando y proporcionan una distribución de
probabilidad sobre los posibles resultados del pronóstico.

 Reconocimiento de emociones del habla

La red neuronal jerárquica no paramétrica (NHNN), un modelo ligero de red neuronal

jerárquica basado en la agrupación no paramétrica bayesiana (BNC), se puede utilizar
para reconocer las emociones en el habla con mayor precisión. Los modelos NHNN
generalmente superan a los modelos con niveles similares de complejidad y modelos de
vanguardia en pruebas dentro del corpus y entre corpus.

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.

 Estimación de las emisiones de gas

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

La inferencia bayesiana se puede utilizar en el aprendizaje automático bayesiano para

inferir la identidad de un individuo en función de la evidencia de ADN. El teorema de
Bayes se aplica al análisis forense, que implica razonar sobre probabilidades
condicionales y hacer inferencias estadísticas a partir de datos observados (alelos de
marcadores genéticos) con respecto a una o más poblaciones de posibles genotipos en
estudio.

 Reconocimiento óptico de caracteres (OCR)

La inferencia bayesiana se puede utilizar en el aprendizaje automático bayesiano para

mejorar el rendimiento del reconocimiento óptico de caracteres (OCR). El teorema de
Bayes se aplica al OCR, que implica la transformación de imágenes capturadas en
medios impresos en papel en cadenas de texto legibles por computadora. Se ha
demostrado que los enfoques bayesianos proporcionan resultados más precisos en
comparación con los algoritmos convencionales de aprendizaje automático.
 Conclusión

El teorema de bayes es un excelente método a la hora de tomar decisiones, así como

también para calcular probabilidades de una partición, una vez que se conozca un
suceso concreto que ya ha ocurrido, al unirlo con el aprendizaje automático podemos
obtener óptimos resultados en el área que deseemos desarrollar, ya que podemos
mezclar la tecnología, nuevos métodos de algoritmos, con nuestros conocimientos.

El Modelo Bayes se puede aplicar a diferentes tipos de clasificación y predecir la

probabilidad de que un nuevo dato pertenezca a una de estas clases. Siempre habrá la
posibilidad de clasificación errónea para cualquier tipo de modelo de aprendizaje
automático

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