Machine Learning

UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ
FACULTAD DE CIENCIAS TÉCNICAS
CARRERA DE TECNOLOGÍAS DE LA INFORMACIÓN
MATERIA:
TECNOLOGIAS EMERGENTES
TEMA:
SISTEMA DOMÓTICO BASADO EN MICROCONTROLADORES PARA EL

CONTROL DE LAMPARAS LED EN LA UNIDAD EDUCATIVA FISCAL PUERTO
CAYO
INTEGRANTES DEL GRUPO:
TOMALA QUIMIS EDWARD JAIR

CANTOS AYON LUIGGI JOSUE
GUERRA PARRALES LUIS FERNANDO
VILLAFUERTE VILLAFUERTE JOSTIN JOEL
Jipijapa-Manabí-Ecuador
PERIODO ACADÉMICO PI 2023

Creada mediante Ley Publicada en el registro Oficial 261 del 7 de Febrero del 2001
ÍNDICE
1. INTRODUCCCIÓN ........................................................................................................ 3
2. OBJETIVOS.................................................................................................................... 4
2.1. OBJETIVO GENERAL ........................................................................................... 4
2.2. OBJETIVO ESPECIFICO ....................................................................................... 4
3. MARCO TEORICO ........................................................................................................ 5
4. CONCLUCIONES Y RECOMENDACIONES............................................................ 12
4.1. CONCLUCIONES ................................................................................................. 12
4.2. RECOMEDACIONES ........................................................................................... 12
5. BIBLIOGRAFÍA ........................................................................................................... 13
6. ANEXOS ....................................................................................................................... 14
6.1. ANEXOS REUNIOES........................................................................................... 14

1. INTRODUCCCIÓN
El machine learning, o aprendizaje automático, es una rama de la inteligencia artificial que

busca desarrollar algoritmos y técnicas que permitan a las computadoras aprender de datos y
mejorar su rendimiento en tareas específicas sin necesidad de ser programadas de manera
explícita. En lugar de seguir reglas predefinidas, los algoritmos de machine learning utilizan
datos para aprender patrones, realizar predicciones o tomar decisiones de manera autónoma.
El proceso de machine learning comienza con la recopilación de datos relevantes y su

posterior preparación y limpieza para su uso en el entrenamiento del modelo. Durante el
entrenamiento, el algoritmo ajusta sus parámetros para adaptarse a los datos y aprender de
ellos. Una vez que el modelo ha sido entrenado, se puede utilizar para hacer predicciones o
tomar decisiones sobre nuevos datos.
Existen diferentes enfoques de machine learning, como el aprendizaje supervisado, donde el

algoritmo se entrena con datos etiquetados, y el aprendizaje no supervisado, donde se entrena
con datos no etiquetados para encontrar patrones y estructuras. También está el aprendizaje
por refuerzo, que se basa en la interacción con un entorno para maximizar recompensas.
El machine learning tiene aplicaciones prácticas en una amplia variedad de campos, como
reconocimiento de imágenes, diagnóstico médico, pronóstico del clima, recomendaciones
personalizadas, detección de fraudes y mucho más. Su capacidad para aprender de datos y
mejorar con la experiencia lo convierte en una herramienta poderosa que está transformando
la forma en que interactuamos con la tecnología y abordamos problemas complejos en la
actualidad.
2. OBJETIVOS
2.1.OBJETIVO GENERAL
Desarrollar algoritmos y técnicas que permitan a las máquinas aprender de los datos y
mejorar su rendimiento en tareas específicas sin ser programadas de manera explícita
2.2.OBJETIVO ESPECIFICO
Desarrollar algoritmos que puedan clasificar datos en diferentes categorías o clases.
Crear modelos que puedan predecir eventos futuros basados en datos históricos.
Construir sistemas que ofrezcan recomendaciones personalizadas basadas en el
comportamiento y preferencias del usuario.

3. MARCO TEORICO
¿QUÉ ES MACHINE LEARNING?
El machine learning o aprendizaje automático es una rama de la inteligencia artificial que se

enfoca en desarrollar algoritmos y técnicas que permiten a las computadoras aprender a través
de la experiencia y mejorar su rendimiento en tareas específicas sin necesidad de ser
programadas de manera explícita. Estos algoritmos utilizan datos para aprender patrones,
realizar predicciones o tomar decisiones sin intervención humana directa. Es ampliamente
utilizado en diversas aplicaciones, como reconocimiento de voz, recomendaciones en línea,
detección de fraudes y mucho más. (González, 2019)
COMO FUNCIONA MACHINE LEARNINIG

El machine learning funciona mediante algoritmos matemáticos complejos que tienen la
capacidad de identificar patrones en conjuntos de datos. Gracias a la identificación de
patrones, los algoritmos de machine learning son capaces de sacar conclusiones a partir de
nuevos datos para los que no han sido preparados, aplicando patrones similares a los
previamente identificados.
Mediante este poderoso reconocimiento de patrones, los algoritmos de machine learning son
aplicados a un sinfín de sistemas para la realización de análisis predictivos o la generación
de respuestas inteligentes y automáticas.
https://youtu.be/kSoHHDpIncw
PARA QUE SIRVE MACHINE LEARNING
El machine learning tiene una amplia gama de aplicaciones y beneficios en diversos campos.
Algunos de sus principales usos incluyen: (bismart, 2020)
Clasificación y reconocimiento: Permite identificar y clasificar datos en diferentes

categorías, como reconocimiento de imágenes, diagnóstico médico y detección de
spam.
Predicción y pronóstico: Ayuda a predecir eventos futuros basados en datos
históricos, como el pronóstico del clima, la predicción de ventas o el comportamiento
del mercado.
Análisis de grandes conjuntos de datos: Facilita la identificación de patrones,
tendencias y relaciones en grandes volúmenes de datos, lo que puede llevar a una
mejor toma de decisiones.
Personalización: Se utiliza para ofrecer recomendaciones y contenido personalizado
en aplicaciones de entretenimiento, redes sociales y comercio electrónico.
Optimización: Contribuye a optimizar procesos y recursos en diferentes industrias,
como logística, manufactura y gestión de inventarios.
Automatización: Permite automatizar tareas repetitivas y mejorar la eficiencia en
áreas como atención al cliente, procesamiento de texto y procesos industriales.
Detección de anomalías: Ayuda a identificar comportamientos inusuales o anómalos
en sistemas de seguridad y detección de fraudes.
el machine learning es una poderosa herramienta que permite a las máquinas aprender de los
datos y mejorar su rendimiento en una amplia gama de aplicaciones, lo que conduce a
mejoras en la eficiencia, precisión y toma de decisiones en diversos campos.
CAMPOS QUE SE APLICAN MACHINE LEARNING
El machine learning se utiliza en una amplia variedad de campos y sectores debido a su

capacidad para aprender de datos y mejorar el rendimiento en tareas específicas. Algunos de
los principales campos donde se aplica el machine learning incluyen: (Zaforas, 2018)
Tecnología: Se utiliza en reconocimiento de voz, procesamiento de imágenes,

traducción automática y asistentes virtuales como Siri y Alexa.
Salud: En diagnóstico médico, predicción de enfermedades, análisis de imágenes
médicas y personalización de tratamientos.
Finanzas: Para detección de fraudes, análisis de riesgos crediticios, predicción de
precios de acciones y automatización de procesos financieros.
Comercio electrónico: En recomendaciones personalizadas, detección de fraudes en
transacciones y análisis de comportamiento del cliente.
Manufactura: En optimización de la cadena de suministro, mantenimiento
predictivo y control de calidad.
Automoción: En conducción autónoma, predicción de fallas en vehículos y
optimización de rutas de transporte.
Recursos humanos: Para selección de candidatos, análisis de satisfacción laboral y
evaluación de desempeño.
Publicidad y marketing: En segmentación de audiencias, personalización de
campañas y análisis de sentimientos en redes sociales.
Medios y entretenimiento: En recomendaciones de contenido, detección de
copyright y análisis de audiencias.
Investigación científica: Para análisis de datos en astrofísica, biología, química y
otras áreas.
Educación: En sistemas de tutoría inteligente, análisis de datos educativos y
detección de plagio.
CATEGORÍA DE ALGORITMO EN MACHINE LEARNING
En machine learning, los algoritmos se pueden categorizar en diferentes grupos según su

enfoque y objetivo principal. Algunas de las categorías más comunes son: (APD, 2019)
Aprendizaje supervisado
En el aprendizaje supervisado, la máquina se enseña con el ejemplo. De este modo, el

operador proporciona al algoritmo de aprendizaje automático un conjunto de datos conocidos
que incluye las entradas y salidas deseadas, y el algoritmo debe encontrar un método para
determinar cómo llegar a esas entradas y salidas.
Mientras el operador conoce las respuestas correctas al problema, el algoritmo identifica

patrones en los datos, aprende de las observaciones y hace predicciones. El algoritmo realiza
predicciones y es corregido por el operador, y este proceso sigue hasta que el algoritmo
alcanza un alto nivel de precisión y rendimiento.
Aprendizaje sin supervisión
Aquí, el algoritmo de aprendizaje automático estudia los datos para identificar patrones. No
hay una clave de respuesta o un operador humano para proporcionar instrucción. En cambio,
la máquina determina las correlaciones y las relaciones mediante el análisis de los datos
disponibles.
En un proceso de aprendizaje no supervisado, se deja que el algoritmo de aprendizaje

automático interprete grandes conjuntos de datos y dirija esos datos en consecuencia. Así, el
algoritmo intenta organizar esos datos de alguna manera para describir su estructura. Esto
podría significar la necesidad de agrupar los datos en grupos u organizarlos de manera que
se vean más organizados.
A medida que evalúa más datos, su capacidad para tomar decisiones sobre los mismos mejora
gradualmente y se vuelve más refinada.
Aprendizaje por refuerzo

El aprendizaje por refuerzo se centra en los procesos de aprendizajes reglamentados, en los

que se proporcionan algoritmos de aprendizaje automáticos con un conjunto de acciones,
parámetros y valores finales.
Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar diferentes

opciones y posibilidades, monitorizando y evaluando cada resultado para determinar cuál es
el óptimo.
En consecuencia, este sistema enseña la máquina a través del proceso de ensayo y error.
Aprende de experiencias pasadas y comienza a adaptar su enfoque en respuesta a la situación
para lograr el mejor resultado posible.
APLICACIONES PRÁCTICAS DEL MACHINE LEARNING
El machine learning tiene numerosas aplicaciones prácticas en diversas industrias y campos.

Algunas de las aplicaciones más comunes incluyen:
Recomendaciones personalizadas: Se utilizan en plataformas de streaming, comercio

electrónico y redes sociales para ofrecer recomendaciones de productos, películas, música o
contenido basadas en los intereses y comportamientos del usuario.
Reconocimiento de imágenes y voz: Se emplea en aplicaciones de reconocimiento facial,

detección de objetos en imágenes, sistemas de seguridad y asistentes de voz como Siri o
Google Assistant.
Predicción del comportamiento del cliente: Se usa en marketing y ventas para predecir el
comportamiento del cliente y personalizar ofertas, campañas y estrategias de retención.
Detección de fraudes: Se aplica en sistemas financieros para identificar actividades

fraudulentas y transacciones sospechosas.
Diagnóstico médico: Ayuda a los profesionales de la salud a interpretar imágenes médicas,

como radiografías y resonancias, y a mejorar el diagnóstico de enfermedades.
Procesamiento de lenguaje natural: Utilizado en chatbots, traducción automática, análisis

de sentimientos en redes sociales y corrección gramatical.
Optimización de procesos industriales: Se utiliza para mejorar la eficiencia en la

producción y logística, reduciendo costos y tiempos de espera.
Pronóstico del clima y análisis ambiental: Ayuda en la predicción del clima, el monitoreo
de la calidad del aire y el análisis de datos ambientales.
Conducción autónoma: Se aplica en vehículos autónomos para permitir que los automóviles
tomen decisiones basadas en datos en tiempo real.
Análisis financiero: Utilizado en predicción de precios de acciones, crédito y riesgo

crediticio, y detección de anomalías en datos financieros.
PAÍSES QUE MÁS UTILIZAN MACHINE LEARNING
El machine learning se utiliza en prácticamente todo el mundo, ya que es una tecnología

ampliamente adoptada en diversas industrias y campos. Algunos de los países líderes en la
aplicación y desarrollo de machine learning son: (Services, 2019)
Estados Unidos: Es uno de los principales impulsores del desarrollo de tecnologías

de inteligencia artificial y machine learning, con una amplia adopción en empresas,
instituciones académicas y agencias gubernamentales.
China: Ha experimentado un rápido crecimiento en el uso de machine learning y es
un jugador importante en la investigación y aplicación de la inteligencia artificial.
Reino Unido: Tiene una fuerte presencia en el ámbito de la investigación en
inteligencia artificial y es hogar de varias empresas tecnológicas líderes en machine
learning.
Canadá: Es conocido por su enfoque en la investigación en aprendizaje profundo y
es sede de algunos de los institutos más destacados en este campo.
Alemania: Es un país líder en la adopción de tecnologías de inteligencia artificial,
incluido el machine learning, en la industria manufacturera y automotriz.
Israel: Es conocido por su innovación en tecnologías de inteligencia artificial, con

una fuerte presencia en la industria de ciberseguridad y tecnología de la información.
Japón: Ha estado a la vanguardia en el uso de machine learning en la robótica,
automóviles autónomos y sistemas de inteligencia artificial aplicados en diversas
industrias.
India: Ha experimentado un crecimiento significativo en la adopción de machine
learning, con aplicaciones en atención médica, servicios financieros y comercio
electrónico.
4. CONCLUCIONES Y RECOMENDACIONES
4.1.CONCLUCIONES
El machine learning ha demostrado ser una poderosa herramienta en la era de la

inteligencia artificial, permitiendo a las máquinas aprender de datos y mejorar su
rendimiento en diversas tareas.
Su capacidad para detectar patrones complejos en grandes conjuntos de datos y
realizar predicciones precisas lo hace invaluable en una amplia gama de aplicaciones
en diferentes campos.
La adopción del machine learning continúa creciendo en industrias como la salud,
finanzas, comercio electrónico, tecnología, entre otros, mejorando la eficiencia, la
toma de decisiones y la experiencia del usuario.
4.2.RECOMEDACIONES
Para aprovechar al máximo el machine learning, es importante contar con un conjunto

de datos de calidad y suficiente para el entrenamiento del modelo. La limpieza y
preparación adecuada de los datos son fundamentales para obtener resultados
precisos.
Es esencial seleccionar el algoritmo de machine learning adecuado según el tipo de
problema y los datos disponibles. Diferentes algoritmos tienen fortalezas y
debilidades en diversas tareas.
La interpretación y explicación de los resultados de los modelos de machine learning
pueden ser importantes en ciertos contextos, especialmente en aplicaciones críticas
como la salud y la toma de decisiones financieras.
5. BIBLIOGRAFÍA
APD, R. (04 de 04 de 2019). apd. Obtenido de ¿Cuáles son los tipos de algoritmos del
machine learning?: https://www.apd.es/algoritmos-del-machine-
learning/#:~:text=Los%20tres%20grupos%20de%20algoritmos,no%20supervisado
%20y%20por%20refuerzo.
bismart. (2020). bismart. Obtenido de Machine learning: ¿qué es, cómo funciona y para qué
sirve?: https://blog.bismart.com/machine-learning-que-es-como-funciona-para-que-
sirve
González, A. (06 de Febrero de 2019). cleverdata. Obtenido de ¿Qué es Machine Learning?:

https://cleverdata.io/que-es-machine-learning-big-data/
Services, W. B. (31 de 01 de 2019). ecosistemahuawei. Obtenido de

https://ecosistemahuawei.xataka.com/geopolitica-ia-estos-paises-activos-
inteligencia-
artificial/#:~:text=Estados%20Unidos%2C%20China%2C%20Canadá%20y,econo
mía%20de%20estos%20diferentes%20países.
Zaforas, M. (22 de 03 de 2018). ibertech. Obtenido de https://www.ibertech.org/que-es-

machine-learning-y-que-aplicaciones-tiene-en-nuestro-dia-a-dia-2/
6. ANEXOS
6.1.ANEXOS REUNIONES

Machine Learning

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Machine Learning

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ

FACULTAD DE CIENCIAS TÉCNICAS

CARRERA DE TECNOLOGÍAS DE LA INFORMACIÓN

SISTEMA DOMÓTICO BASADO EN MICROCONTROLADORES PARA EL

INTEGRANTES DEL GRUPO:

TOMALA QUIMIS EDWARD JAIR

PERIODO ACADÉMICO PI 2023

2.1. OBJETIVO GENERAL ........................................................................................... 4

2.2. OBJETIVO ESPECIFICO ....................................................................................... 4

3. MARCO TEORICO ........................................................................................................ 5

4.1. CONCLUCIONES ................................................................................................. 12

4.2. RECOMEDACIONES ........................................................................................... 12

6.1. ANEXOS REUNIOES........................................................................................... 14

El machine learning, o aprendizaje automático, es una rama de la inteligencia artificial que

El proceso de machine learning comienza con la recopilación de datos relevantes y su

Existen diferentes enfoques de machine learning, como el aprendizaje supervisado, donde el

Desarrollar algoritmos que puedan clasificar datos en diferentes categorías o clases.

Construir sistemas que ofrezcan recomendaciones personalizadas basadas en el

comportamiento y preferencias del usuario.

¿QUÉ ES MACHINE LEARNING?

El machine learning o aprendizaje automático es una rama de la inteligencia artificial que se

COMO FUNCIONA MACHINE LEARNINIG

PARA QUE SIRVE MACHINE LEARNING

Clasificación y reconocimiento: Permite identificar y clasificar datos en diferentes

CAMPOS QUE SE APLICAN MACHINE LEARNING

El machine learning se utiliza en una amplia variedad de campos y sectores debido a su

Tecnología: Se utiliza en reconocimiento de voz, procesamiento de imágenes,

CATEGORÍA DE ALGORITMO EN MACHINE LEARNING

En machine learning, los algoritmos se pueden categorizar en diferentes grupos según su

En el aprendizaje supervisado, la máquina se enseña con el ejemplo. De este modo, el

Mientras el operador conoce las respuestas correctas al problema, el algoritmo identifica

Aprendizaje sin supervisión

En un proceso de aprendizaje no supervisado, se deja que el algoritmo de aprendizaje

Aprendizaje por refuerzo

El aprendizaje por refuerzo se centra en los procesos de aprendizajes reglamentados, en los

Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar diferentes

APLICACIONES PRÁCTICAS DEL MACHINE LEARNING

El machine learning tiene numerosas aplicaciones prácticas en diversas industrias y campos.

Recomendaciones personalizadas: Se utilizan en plataformas de streaming, comercio

Reconocimiento de imágenes y voz: Se emplea en aplicaciones de reconocimiento facial,

Detección de fraudes: Se aplica en sistemas financieros para identificar actividades

Diagnóstico médico: Ayuda a los profesionales de la salud a interpretar imágenes médicas,

Procesamiento de lenguaje natural: Utilizado en chatbots, traducción automática, análisis

Optimización de procesos industriales: Se utiliza para mejorar la eficiencia en la

Análisis financiero: Utilizado en predicción de precios de acciones, crédito y riesgo

PAÍSES QUE MÁS UTILIZAN MACHINE LEARNING

El machine learning se utiliza en prácticamente todo el mundo, ya que es una tecnología

Estados Unidos: Es uno de los principales impulsores del desarrollo de tecnologías

Israel: Es conocido por su innovación en tecnologías de inteligencia artificial, con

El machine learning ha demostrado ser una poderosa herramienta en la era de la

Para aprovechar al máximo el machine learning, es importante contar con un conjunto

González, A. (06 de Febrero de 2019). cleverdata. Obtenido de ¿Qué es Machine Learning?:

Services, W. B. (31 de 01 de 2019). ecosistemahuawei. Obtenido de

Zaforas, M. (22 de 03 de 2018). ibertech. Obtenido de https://www.ibertech.org/que-es-

También podría gustarte