Machine Learning and Deep

Learning

Fina Amparo MAT. 2019-3327

Saúl Hidalgo MAT. 2018-3725
Cecilio González MAT. 2019-1836
Manuel Henry MAT. 2019-3317
Que es Machine Learnig?
El Machine Learning o
aprendizaje automático es un
campo científico y, más
particularmente, una
subcategoría de inteligencia
artificial.
¿Cómo funciona el Machine Learning?

1- El primer paso es seleccionar y preparar un

conjunto de datos de entrenamiento.

2- El segundo paso es seleccionar un

algoritmo para ejecutar sobre el conjunto de
datos de entrenamiento.

3- El tercer paso es entrenar el algoritmo. 

4- El cuarto y último paso es el uso y la mejora

del modelo. 
¿Cuáles son los
principales algoritmos
de Machine Learning?

Los algoritmos de regresión, lineal o

logística.
La regresión logística.
Los algoritmos de asociación.
Las redes neuronales. 
¿Cuáles son los principales
algoritmos de Machine Learning?
ALGORITMOS DE MACHINE LEARNING
Los algoritmos de regresión

algoritmo de ML

algoritmos de asociación

Algoritmos de clustering.
¿Cuáles son los diferentes tipos de Machine Learning?
ENTRENAMIENTO SUPERVISADO
El sistema se entrena sobre un
conjunto de datos etiquetados, con
la información que se supone que
tiene que determinar. Es posible
que los datos ya estén clasificados
de la forma en que se supone que
debe hacerlo el sistema.
ENTRENAMIENTO NO
SUPERVISADO
Por el contrario, en el caso del
aprendizaje no supervisado, los datos no
tienen etiquetas. La máquina se contenta
con explorar los datos en busca de
posibles patrones. Ingiere grandes
cantidades de datos y utiliza algoritmos
para extraer las características relevantes
necesarias para etiquetar, ordenar y
clasificar datos en tiempo real sin
intervención humana.
ENTRENAMIENTO
SEMISUPERVISADO

Este se encuentra entre los dos y ofrece

un punto medio entre aprendizaje
supervisado y no supervisado. Durante
el entrenamiento, se utiliza un conjunto
de datos etiquetado más pequeño para
guiar la clasificación y la extracción de
características de un conjunto de datos
no etiquetado más grande.
ENTRENAMIENTO REFORZADO

Este se encuentra entre los dos y ofrece

un punto medio entre aprendizaje
supervisado y no supervisado. Durante
el entrenamiento, se utiliza un conjunto
de datos etiquetado más pequeño para
guiar la clasificación y la extracción de
características de un conjunto de datos
no etiquetado más grande.
Casos de uso y
aplicaciones
La Data Science y el análisis de datos
La Data Science y el análisis de datos utilizan
de forma masiva el Machine Learning.
Permite desarrollar, hacer pruebas y aplicar
algoritmos de análisis predictivo sobre
diferentes tipos de datos para predecir el
futuro.
Automatizando el desarrollo del modelo
analítico, el Machine Learning permite
acelerar el análisis de datos y hacer que sea
más preciso. Permite asignar a las máquinas
tareas centrales del análisis de datos como la
clasificación, el clustering o la detección de
anomalías.
 El aprendizaje profundo (Deep Learning)

En su forma más simple, el aprendizaje profundo se puede considerar como una forma de
automatizar el análisis predictivo.
Ejemplo
 Cómo funciona el aprendizaje profundo

Los programas informáticos que utilizan el aprendizaje profundo pasan por el mismo proceso
que el niño pequeño que aprende a identificar al perro.
 Métodos de aprendizaje profundo

Las tasas de aprendizaje que son demasiado altas pueden resultar en procesos de
entrenamiento inestables o en el aprendizaje de un conjunto de pesos subóptimo. Las tasas de
aprendizaje que son demasiado pequeñas pueden producir
 La
La importancia radica en que no solo actualiza y optimiza importancia
los procesos de enseñanza y aprendizaje de las máquinas,
sino que con su éxito hace posible lo imposible. del
 El reconocimiento de voz, la traducción automática, la aprendizaje
percepción de objetos y las predicciones sobre el
comportamiento probable de las personas son tareas que profundo
hasta hace unas cuantas décadas se creían inalcanzables y,
no conforme con eso, nos encaminamos a cumplir metas
tecnológicas que incluyen implantar el piloto automático
en automóviles y concretar el uso de mayordomos
robóticos, o cualquier robot con altos niveles de
conciencia acerca de su entorno.
Las ventajas del aprendizaje profundo
El aprendizaje "profundo" implica la creació n de redes neuronales a
gran escala que hacen posible que el ordenador aprenda y “piense” por
sí mismo. Por ejemplo, se puede entrenar a una máquina inteligente
para que reconozca la presencia de un ser humano en una imagen, así,
la red neuronal aprende de los píxeles que contienen un gran nú mero
de imá genes de personas, clasificá ndolos en diversos grupos de
acuerdo a las características que podrían indicar que hay un ser
humano en la imagen: el rostro, la nariz, los ojos, la boca, otros.
 ¿Cómo aprenden las máquinas?

En la actualidad, el término aprendizaje profundo se relaciona

enormemente con la inteligencia artificial. 

La inteligencia artificial es definida como el nivel de

conocimiento que puede poseer y expresar las máquinas en
conjunto con sus procesadores y software, los análogos al
cuerpo, el cerebro y la mente del hombre. Esta indispensable
herramienta, aplicada a las máquinas, ha ayudado a solventar
un sinfín de problemáticas actuales y a optimizar la
realización de tareas en todo el mundo desde que inició
(machine learning).
El aprendizaje de las máquinas vs. el aprendizaje en los humanos

Las máquinas inteligentes adquieren el conocimiento que necesitan. Los seres humanos aprendemos a través de la experiencia: cuanto más
variadas sean las vivencias que vive una persona, más aprenderá de
ellas
 Aprendizaje
El aprendizaje profundo es un subconjunto del
aprendizaje automático que se diferencia por la forma en
profundo vs
que resuelve problemas. El aprendizaje automático aprendizaje
requiere un experto en el dominio para identificar la
mayoría de las funciones aplicadas. automático
Por otro lado, el aprendizaje profundo comprende las
características de manera incremental. Esto hace que los
algoritmos de aprendizaje profundo tarden mucho más en
entrenarse que los algoritmos de aprendizaje automático,
que solo necesitan de unos segundos a unas pocas horas.
Sin embargo, ocurre lo contrario durante las pruebas.