Documentos de Académico
Documentos de Profesional
Documentos de Cultura
APRENDIZAJE AUTOMÁTICO
(MACHINE-LEARNING)
Profesor:
Joaquin Collantes Lozano
Fechas de impartición
8 y 10 de mayo de 18:00 a 21:00
Programa del curso
1. INTRODUCCIÓN AL MACHINE LEARNING (Aprendizaje Automático)
5. SISTEMAS DE ELECCIÓN
• Una vez que las empresas disponen de los datos y los sistemas
capaces de procesarlos es el momento de entrar de lleno en la
siguiente fase: la comprensión de los datos, la adquisición del
conocimiento y la extracción del valor.
• Deep learning se distingue del machine learning clásico por el tipo de datos con
los que trabaja y los métodos mediante los cuales aprende.
• Deep Learning elimina parte del procesamiento previo de datos que requiere
machine learning.
• Cumplimiento de la Ley
• Servicios Financieros
• Servicio al cliente
• Aplicaciones sanitarias
DETALLLE DE APLICACIONES REALES DE DEEP LEARNING
• Cumplimiento de la Ley:
Los algoritmos de Deep Learning pueden analizar y aprender de los datos transaccionales para identificar patrones
peligrosos que indican posible actividad delictiva o fraudulenta. El reconocimiento de voz, la visión computacional
y otras aplicaciones de Deep Learning pueden mejorar la eficiencia y la efectividad del análisis de investigación.
• Servicios Financieros
Las instituciones financieras normalmente utilizan análisis predictivo para aplicar algoritmos al comercio de
acciones, evaluar riesgos de negocio para la aprobación de préstamos, detectar fraudes y ayudar a gestionar carteras
de crédito e inversión a sus clientes
• Servicio al cliente
Muchas organizaciones incorporan tecnología de Deep Learning en sus procesos de servicio al cliente. Los
chatbots, que se utilizan en una gran variedad de aplicaciones, servicios y portales de servicio al cliente, son una
forma directa de IA. Los chatbots tradicionales utilizan lenguaje natural e incluso reconocimiento visual, que se
encuentran comúnmente en los menús de los centros de llamada.
• Aplicaciones sanitarias
El sector de la asistencia sanitaria se ha beneficiado enormemente de las prestaciones de Deep Learning desde la
digitalización de las imágenes y los registros de los hospitales. Las aplicaciones de reconocimiento de imágenes
prestan soporte a los especialistas en imágenes médicas y radiólogos, ayudándoles a analizar y evaluar más
imágenes en menos tiempo.
5. SISTEMAS DE ELECCIÓN
SISTEMAS DE ELECCIÓN: SELECCIÓN DE CARACTERÍSTICAS
Selección de características en machine learning
• Los conjuntos de datos, en ocasiones pueden ser pequeños o tremendamente grandes en tamaño, en especial
cuando cuentan con un gran número de características, ocasionando que sean muy difícil de procesar.
• Cuando se tiene este de tipo de conjuntos de datos de alta dimensión y se utilizan todas para la creación de
modelos de Machine Learning esto puede ocasionar:
• Las características adicionales actúen como un ruido el cual hace que el modelo de Machine Learning
tenga un rendimiento bajo.
• La selección de características en machine learning es una funcionalidad que busca reducir el número de
características basadas en filtros para obtener así subconjuntos de características. Lo que hace el algoritmo de
selección es crear métodos de selección que hacen la eliminación de una o más características dentro de un
conjunto de datos.
• Existen diversas motivaciones para ejecutar un proceso de selección de características en machine learning.
Entre ellas están:
• Interpretabilidad
• Usar la selección de características en machine learning para reducir costos no debería ser un factor
demasiado crítico.
• Existen mejores soluciones a este problema que asumir una pérdida de información y un potencial
empeoramiento de los resultados para reducir los costos del entrenamiento con la selección de
características en machine learning.
• Podríamos decir que es la más importante, si lo miramos a simple vista, pero en realidad no es así,
ya que en el análisis exploratorio que se hace de los datos (en la selección de características en
machine learning que se hace inicialmente) se suele enfocar la atención en la interpretabilidad.
• Es decir, en los análisis previos se busca quitar las variables que no están aportando información.
Ya después de eso, si resulta que entrenamos con esos datos restantes y estamos en overfitting,
volvemos y hacemos una selección de características mayor.
SELECCIÓN DE CARACTERÍSTICAS: Metodologías y Técnicas
A continuación, analizaremos varias metodologías y técnicas que puedes utilizar para que tus modelos funcionen mejor y de manera
más eficiente.
• Métodos de Filtro:
• Métodos de Envoltura:
• Los métodos de filtro no incorporan un modelo de Machine Learning para determinar si una característica es buena o mala, mientras que métodos de
envoltura si lo utilizan y lo capacitan para decidir si es esencial o no.
• Los métodos de filtro son mucho más rápidos en comparación con los métodos de envoltura, ya que no implican la capacitación de los modelos.
• Los métodos de envoltura son computacionalmente costosos, y en el caso de conjuntos de datos masivos, los métodos de envoltura no son el método
de selección de características más efectivo a considerar.
• Los métodos de filtro pueden no encontrar el mejor subconjunto de características en situaciones en las que no hay suficiente datos para modelar la
correlación estadística de las características, pero los métodos de envoltura siempre pueden proporcionar el mejor subconjunto de características
debido a su naturaleza exhaustiva.
• El uso de características de los métodos de envoltura en su modelo final de Machine Learning puede llevar a un ajuste excesivo, ya que los métodos de
envoltura ya capacitan a los modelos de Machine Learning con las características y afectan el verdadero poder del aprendizaje.
• Las características de los métodos de filtro no conducirán a sobreajustes en la mayoría de los casos.
Vs.
6. PROCESAMIENTO DE LENGUAJE NATURAL
QUÉ ES EL PROCESAMIENTO DEL LENGUAJE NATURAL (PLN o NLP)
• Con la Comprensión y Generación de Lenguaje Natural, busca que las máquinas consigan
entender, interpretar y manipular el lenguaje humano.
• Los asistentes virtuales o chatbots son una de las utilidades más conocidas de la PLN,
pero no son la única.
• En caso de querer dotar de inteligencia a un asistente virtual, habría que utilizar sistemas
como reglas o redes neuronales.
El procesamiento del lenguaje natural (PLN o NLP), se utiliza actualmente en diferentes áreas y para distintas funciones.
• Traducción automática