MODULO V

INTRODUCCION AL MACHINE LEARNING

TIPOS DE APRENDIZAJES Y ALGOTRIMOS

El Machine-Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea
sistemas que aprenden automáticamente (aprenden a identificar patrones de datos) y es capaz
de predecir comportamientos futuros y se mejoran de manera autónoma con el tiempo sin
intervención humana.

Beneficios del Machine Learning

 Conocer las necesidades, gustos y hábitos de compra de los clientes

 Innovación en productos y soluciones tecnológicas
 Optimización de la producción y la productividad
 Capacidad de realizar acciones preventivas y correctivas
 Predicción de tendencias y necesidades

Tipos de Aprendizajes dentro del ML

1. Aprendizaje Supervisado: Se conoce como caja blanca es transparente. Consiste en

entrenar un modelo con datos etiquetados donde se conoce la salida. El objetivo es
que el modelo aprenda a predecir la respuesta correcta para nuevos datos que no han
sido etiquetados
1. Problemas de Clasificación: la respuesta es una categoría o una clase, por
ejemplo, si una imagen contiene un gato o un perro, o si un correo electrónico
es spam o no. Algunos ejemplos de algoritmos que se usan para resolver
problemas de clasificación son: árboles de decisión, regresión logística,
bosques aleatorios y redes neuronales
2. Problemas de Regresión: la respuesta es un valor numérico continuo, por
ejemplo, el precio de una casa, la temperatura de una ciudad o la velocidad de
un coche. Algunos ejemplos de algoritmos que se usan para resolver
problemas de regresión son: regresión lineal, regresión polinómica, máquinas
de vectores de soporte y redes neuronales
2. Aprendizaje No Supervisado: Son de tipo caja negra no se conoce la salida. Este
aprendizaje es de tipo exploratorio, es decir tenemos la entrada, el proceso y la salida
es desconocida. Este es un método de aprendizaje automático que utiliza algoritmos
para analizar y agrupar conjuntos de datos sin etiquetar .Estos algoritmos descubren
patrones ocultos o agrupaciones de datos sin necesidad de intervención humana. Es
ideal para el análisis de datos exploratorios, las estrategias de venta cruzada, la
segmentación de clientes y el reconocimiento de imágenes. Los modelos de
aprendizaje no supervisado se utilizan para tres tareas principales:
1. Agrupación en clústeres: es una técnica que agrupa datos sin etiquetar en
función de sus similitudes o diferencias. Por ejemplo, se puede usar para
segmentar clientes según sus características o preferencias.
 2. Asociación: es una técnica que descubre reglas que relacionan elementos
frecuentes en un conjunto de datos. Por ejemplo, se puede usar para
identificar productos que suelen comprarse juntos en un supermercado.
3. Reducción de dimensionalidad: es una técnica que reduce el número de
variables o características de un conjunto de datos, conservando la
información relevante. Por ejemplo, se puede usar para simplificar la
visualización de datos complejos o mejorar el rendimiento de otros
algoritmos.
Algunos ejemplos de algoritmos que se usan para el aprendizaje no
supervisado son: k-medias, análisis de componentes principales, análisis
factorial, reglas de asociación y autoencoders.

3. Aprendizaje Por Refuerzo: Es orientado a la robótica El aprendizaje por refuerzo es un

método de aprendizaje automático que se basa en la idea de que un agente aprende a
través de la interacción con su entorno y la retroalimentación que recibe de sus
acciones. El objetivo es que el agente maximice una recompensa acumulada a lo largo
del tiempo, que refleja el éxito de sus decisiones. El aprendizaje por refuerzo se
compone de cuatro elementos principales: el agente, el entorno, las acciones y las
recompensas.

Tipos de algoritmos dentro del Aprendizaje Supervisado

 Arboles de Decisiones.
 KNN.
 SVM. (Máquina soporte vectorial)
 Regresión Logística.
 Modelos de Regresión Lineal.
 RANDOM FOREST. Métodos de ensambles, etc.