Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LEARNING
• Aprendizaje no supervisado
• Aprendizaje de refuerzo
EL APRENDIZAJE
SUPERVISADO
•
• El aprendizaje
supervisado comienza
típicamente con un conjunto
establecido de datos y una
cierta comprensión de cómo se
clasifican estos datos.
El aprendizaje supervisado tiene la
intención de encontrar patrones
en datos que se pueden aplicar a
un proceso de analítica.
•
APRENDIZAJE
NO
SUPERVISADO
•
• El aprendizaje no supervisado se
utiliza cuando el problema
requiere una cantidad masiva de
datos sin etiquetar. Por ejemplo,
las aplicaciones de
redes sociales, tales
como Twitter, Instagram y
Snapchat, tienen grandes
cantidades de datos sin
etiquetar.
•
APRENDIZAJE
DE REFUERZO
•
• El aprendizaje de refuerzo es un
modelo de aprendizaje
conductual. El algoritmo
recibe retroalimentación del
análisis de datos, conduciendo
el usuario hacia el mejor
resultado.
EJEMPLO DEL
FUNCIONAMIENTO DE
MACHINE LEARNING
• Ejemplos de machine learning de uso
diario: asistentes inteligentes. Siri, Alexa
y Cortana son solo algunos de los
asistentes inteligentes que se utilizan en
la vida cotidiana para realizar
actividades como configurar
recordatorios, alarmas, consultar el
clima, etc.
•
CARACTERIST
ICAS
• Procesamiento de datos.
• Ingeniería
de características.
• Selección de algoritmo.
•
APLICACIONE
S EXTERNAS
• Aplicaciones
• motores de búsqueda, reconocimiento del habla, del
lenguaje o robótica. Más ejemplos que vemos o
veremos en nuestro día a día pueden ser:
• Detección de rostro. Lo vemos en nuestros móviles.
• Anti-spam. Mediante el uso de tags.
• Anti-virus. Detectando software malicioso.
• Genética. En la clasificación de secuencias de ADN.
• Forecast. De clima o tráfico.
• Comprensión de textos.
• Vehículos autónomos y robots.
• Análisis de imágenes de alta calidad.
• Análisis de comportamiento de consumo y
productividad. Para la identificación de clientes
potenciales y en general en sectores de telco,
banca, seguros…
•
VENTAJAS
• El entrenamiento inicial es un
proceso costoso y puede llevar
mucho tiempo. Puede ser difícil
de aplicar si no se dispone de
datos suficientes.
• Se trata de un proceso con uso
intensivo de computación que
requiere una inversión inicial
fuerte en caso de que el
hardware se configure de
manera interna.
• Sin la ayuda de un experto, puede
ser un reto interpretar los
resultados correctamente y
eliminar la incertidumbre.
•
PROYECTO
JUPYTER
•
• El código se ejecuta en una máquina
virtual dedicada a tu cuenta. Las
máquinas virtuales se eliminan
cuando pasan un tiempo inactivas y
tienen un ciclo de vida máximo que
aplica el servicio de Colab.
•