Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • GRUPO 3 - Tipos de Aprendizaje en ML

    Cargado por

    Humberto Alejandro Rodríguez Ruiz
    3 vistas5 páginas
    Este documento resume tres tipos de aprendizaje machine: aprendizaje supervisado, no supervisado y por refuerzo. Para el aprendizaje supervisado, describe algoritmos como árboles de decisión, Naive Bayes y SVM, y aplicaciones como detección de fraude y diagnóstico médico. Para el aprendizaje no supervisado, explica k-means, autoencoders y t-SNE, con ejemplos como segmentación de clientes y compresión de imágenes. Finalmente, cubre algoritmos de aprendizaje por refuerzo como DQN,

    Descripción original:

    Ejemplos de tipos de aprendizaje en ML y caracteristicas de cada tipo

    Título original

    GRUPO 3_Tipos de aprendizaje en ML

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Este documento resume tres tipos de aprendizaje machine: aprendizaje supervisado, no supervisado y por refuerzo. Para el aprendizaje supervisado, describe algoritmos como árboles de decisión, Naive Bayes y SVM, y aplicaciones como detección de fraude y diagnóstico médico. Para el aprendizaje no supervisado, explica k-means, autoencoders y t-SNE, con ejemplos como segmentación de clientes y compresión de imágenes. Finalmente, cubre algoritmos de aprendizaje por refuerzo como DQN,

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    3 vistas5 páginas

    GRUPO 3 - Tipos de Aprendizaje en ML

    Cargado por

    Humberto Alejandro Rodríguez Ruiz
    Este documento resume tres tipos de aprendizaje machine: aprendizaje supervisado, no supervisado y por refuerzo. Para el aprendizaje supervisado, describe algoritmos como árboles de decisión, Naive Bayes y SVM, y aplicaciones como detección de fraude y diagnóstico médico. Para el aprendizaje no supervisado, explica k-means, autoencoders y t-SNE, con ejemplos como segmentación de clientes y compresión de imágenes. Finalmente, cubre algoritmos de aprendizaje por refuerzo como DQN,

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 5

    Machine learning - Tipos de aprendizajes

    GRUPO 3

    Integrantes:
    ❖ Humberto Alejandro Rodríguez Ruiz
    ❖ Luis Rafael Guevara Aste
    ❖ Mariaceleste Fernandez Rios
    ❖ Nicole Alexandra Pérez Sánchez
    Aprendizaje Supervisado
    ALGORITMOS

    1. Árboles de decisión : Divide el conjunto de datos


    2. Clasificación de Naïve Bayes
    3. Regresión por mínimos cuadrados.
    4. Regresión Logística : Modelar la probabilidad de que una instancia pertenezca a una clase
    5. Support Vector Machines (SVM). Encontrar un hiperplano en un espacio multidimensional que separa las clases.
    6. Métodos “Ensemble” (Conjuntos de clasificadores).

    APLICACIONES

    ● Problemas de clasificación (identificación de dígitos, diagnósticos, o detección de fraude de identidad).


    ● Problemas de regresión (predicciones meteorológicas, de expectativa de vida, de crecimiento etc).
    ● Correos ELectrónicos : Spam , No spam
    ● Deepfakes (GAN)
    ● Autoencoders - Eliminación del ruido de una imagen
    ● Diagnóstico de enfermedades .Presencia o ausencia de enfermedades
    Aprendizaje NO Supervisado

    Algoritmos:

    ● k-means . Se agrupan en cluster, donde cada uno tiene un centroide y los puntos se asignan
    al centroide más cercano. -> Ejm. Segmentación de clientes.
    ● Algoritmo a priori. Detecta patrones en conjuntos de datos como por ejemplo compras de
    clientes. -> Ejm. Recomendación de productos
    ● Autoencoder. Usa una red neuronal para aprender una representación de los datos de
    entrada y la intenta reconstruir a la salida. -> Ejm. Comprimido de imágenes
    ● t-SNE. Visualiza datos en un espacio bidimensional o tridimensional. -> Ejm. Visualización
    de expresiones genéticas
    ● GMM. Modela los datos en una combinación de varias distribuciones gaussianas donde cada
    una representa un cluster. -> Ejm. Análisis de datos biomédicos
    Aprendizaje por Reforzamiento Proximal Policy Optimization (PPO)

    Deep Q-Learning (DQN)

    Deep Deterministic Policy Gradients (DDPG)


    Bibliografía

    Aprendizaje Supervisado
    ● 1
    ● 2
    Aprendizaje No Supervisado
    ● Martínez, S. (2022, noviembre 2). ¿Qué es el aprendizaje no supervisado y cuándo usarlo? Inesdi.
    https://www.inesdi.com/blog/que-es-aprendizaje-no-supervisado/
    ● Rueda, J. F. V. (2019, agosto 4). Aprendizaje supervisado y no supervisado. healthdataminer.com.
    https://healthdataminer.com/data-mining/aprendizaje-supervisado-y-no-supervisado/

    Aprendizaje por Reforzamiento


    ● Maier, A. (n.d.). Reinforcement Learning — Part 5. Towards Data Science. Retrieved January 15, 2024, from
    https://towardsdatascience.com/reinforcement-learning-part-5-70d10e0ca3d9
    ● OpenAI. (n.d.). Proximal Policy Optimization. OpenAI. Retrieved January 15, 2024, from
    https://openai.com/research/openai-baselines-ppo
    ● OpenAI. (n.d.-a). Deep Deterministic Policy Gradient. OpenAI Spinning Up. Retrieved January 15, 2024, from
    https://spinningup.openai.com/en/latest/algorithms/ddpg.html

    También podría gustarte