Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 0
Clase 0
Algoritmo de
Machine Learning
Nuevos
Modelo predictivo
datos/ejemplos
Predicción
Machine Learning
Entrenamiento
datos/ejemplos
Algoritmo de
Machine Learning
Feedback
Predicción
Nuevos
Modelo predictivo
datos/ejemplos
Predicción
¿Qué es el Machine Learning?
El aprendizaje automático es un subdominio de la IA que proporciona a los
sistemas la capacidad de aprender y mejorar automáticamente a partir de la
experiencia sin ser programados explícitamente. Se basa en la hipótesis
subyacente de crear el modelo y tratar de mejorarlo ajustando más datos en el
modelo a lo largo del tiempo.
Experiencia
-se corresponde
con datos. Modelo
¿Qué es el Machine Learning?
El aprendizaje automático es un subdominio de la IA que proporciona a los
sistemas la capacidad de aprender y mejorar automáticamente a partir de la
experiencia sin ser programados explícitamente. Se basa en la hipótesis
subyacente de crear el modelo y tratar de mejorarlo ajustando más datos en el
modelo a lo largo del tiempo.
Experiencia Predicciones
-se corresponde
con datos. Modelo
¿Qué es el Machine Learning?
El aprendizaje automático es un subdominio de la IA que proporciona a los
sistemas la capacidad de aprender y mejorar automáticamente a partir de la
experiencia sin ser programados explícitamente. Se basa en la hipótesis
subyacente de crear el modelo y tratar de mejorarlo ajustando más datos en el
modelo a lo largo del tiempo.
Experiencia Predicciones
-se corresponde
con datos. Modelo
Nuevos Datos
¿Qué es el Machine Learning?
El aprendizaje automático es un subdominio de la IA que proporciona a los
sistemas la capacidad de aprender y mejorar automáticamente a partir de la
experiencia sin ser programados explícitamente. Se basa en la hipótesis
subyacente de crear el modelo y tratar de mejorarlo ajustando más datos en el
modelo a lo largo del tiempo.
Experiencia Predicciones
-se corresponde
con datos. Modelo
Nuevos Datos Predicciones
Machine Learning
● Tenemos que tener en cuenta que cuando hablamos de Machine Learning
estamos hablando de datos pasados, la experiencia que le proporcionamos.
● En el 99% de las ocasiones, a no ser que sea una tecnología muy antigua, el
filtro de SPAM está utilizando técnicas de Machine Learning.
Filtro de correo de SPAM: enfoque tradicional
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Producción
correcta
incorrecta
Análisis de
los Errores
Filtro de correo de SPAM: enfoque tradicional
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Producción
Analista correcta
incorrecta
Análisis de
los Errores
Filtro de correo de SPAM: enfoque tradicional
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Producción
Analista correcta
incorrecta
Análisis de
los Errores
Filtro de correo de SPAM: enfoque tradicional
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Producción
Analista correcta
incorrecta
Análisis de
los Errores
Filtro de correo de SPAM: enfoque tradicional
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Producción
Analista correcta
incorrecta
Análisis de
los Errores
Filtro de correo de SPAM: enfoque tradicional
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Producción
Analista correcta
Análisis de incorrecta
los Errores
Analista correcta
Análisis de incorrecta
los Errores
Analista correcta
MODELO
Análisis del Entrenamien
Problema Evalua
to del ción
algoritmo
Análisis de incorrecta
los Errores
Filtro de correo de SPAM: enfoque aplicando ML
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Datos Producción
Analista correcta
MODELO
Análisis del Entrenamien
Problema Evalua
to del ción
algoritmo
Análisis de incorrecta
los Errores
Filtro de correo de SPAM: enfoque aplicando ML
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Datos Producción
Analista correcta
MODELO
Análisis del Entrenamien
Problema Evalua
to del ción
algoritmo
Análisis de incorrecta
los Errores
Filtro de correo de SPAM: enfoque aplicando ML
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Datos Producción
Analista correcta
MODELO
Análisis del Entrenamien
Problema Evalua
to del ción
algoritmo
Análisis de incorrecta
los Errores
Diferencias con el enfoque tradicional
● La diferencia fundamental entre esta casuística y la del enfoque tradicional,
es que el analista está completamente desacoplado de lo que es el motor de
reglas.
● En este caso no es un motor de reglas, es un modelo que realiza las
predicciones y que determina si un correo electrónico es legítimo o no lo es.
Diferencias con el enfoque tradicional
Esto en qué nos beneficia respecto a lo que veíamos anteriormente?
Analista correcta
incorrecta
Análisis de
los Errores
Beneficios del enfoque basado en ML
Se plantea la construcción de un filtro capaz de identificar y bloquear correos de
SPAM Puesta en
Analista Datos Producción
correcta
MODELO
Análisis del Entrenamien
Problema Evalua
to del ción
algoritmo
Análisis de incorrecta
los Errores
Beneficios del enfoque basado en ML
● Tareas a realizar: recopilar esos nuevos correos electrónicos de spam,
introducirlos y entrenar un poquito nuestro algoritmo, mientras que en el
enfoque tradicional será un proceso súper tedioso de mantenimiento de ese
motor de reglas.
● El filtro de correos de SPAM es uno de los ejemplos más claros y uno de los
procesos más claros de cómo al aplicar Machine Learning se resuelve el
problema de una manera muchísimo más eficiente, muchísimo más rápida y
sobre todo, más eficaz de lo que lo hace un enfoque tradicional.
● no siempre tenemos por qué aplicar Machine Learning, puede ser que haya
un problema que sea más fácil y más eficaz de mantenerlo en el tiempo
aplicando únicamente un enfoque tradicional basado en reglas heurísticas y
en umbrales.
¿Cuándo utilizar Machine Learning?
● En soluciones que funcionan mediante la aplicación de un conjunto extenso
de reglas o heurísticas.
● En problemas complejos en los que un analista no es capaz de determinar
una solución a partir de la información existente
● En entornos que fluctúan o varían con frecuencia
● Apoyo de la fase de análisis en enfoques tradicionales en los que se dispone
de conjuntos de datos muy grandes de difícil de interpretar.
¿Cuándo utilizar Machine Learning?
● En soluciones que funcionan mediante la aplicación de un conjunto extenso
de reglas o heurísticas (ej. filtro de correo de SPAM)
● En problemas complejos en los que un analista no es capaz de determinar
una solución a partir de la información existente
● En entornos que fluctúan o varían con frecuencia
● Apoyo de la fase de análisis en enfoques tradicionales en los que se dispone
de conjuntos de datos muy grandes de difícil de interpretar.
¿Cuándo utilizar Machine Learning?
● En soluciones que funcionan mediante la aplicación de un conjunto extenso
de reglas o heurísticas (ej. filtro de correo de SPAM)
● En problemas complejos en los que un analista no es capaz de determinar
una solución a partir de la información existente (ej. clasificación imágenes)
● En entornos que fluctúan o varían con frecuencia
● Apoyo de la fase de análisis en enfoques tradicionales en los que se dispone
de conjuntos de datos muy grandes de difícil de interpretar.
¿Cuándo utilizar Machine Learning?
● En soluciones que funcionan mediante la aplicación de un conjunto extenso
de reglas o heurísticas (ej. filtro de correo de SPAM)
● En problemas complejos en los que un analista no es capaz de determinar
una solución a partir de la información existente (ej. clasificación imágenes)
● En entornos que fluctúan o varían con frecuencia (ej. tráfico de red, detección
de amenazas en virtud del tráfico de red, etc.)
● Apoyo de la fase de análisis en enfoques tradicionales en los que se dispone
de conjuntos de datos muy grandes de difícil de interpretar.
Librerías Básicas de ML y
Data Science
Casos prácticos. Uso de Numpy, Pandas, Matplotlib
Librerías NumPy, Pandas, Matplotlib
● Caso Práctico NumPy
● Caso Práctico Pandas
● Caso Práctico Matplotlib