Caso Práctico

• Macintosh OS X, Safari, Reino

Unido, mañana, SuperGame1,
tarjeta de crédito

• Windows XP, Internet Explorer, Adaptación

EE. UU., Tarde, SuperGame1,
PayPal

• Windows Vista, Firefox, NZ,

tarde, SuperGame2, PayPal
“Si los datos tuvieran Masa, la tierra sería un agujero negro”
Learning

“Inteligencia”
Enfoque principal:
- Aprendizaje
- Adaptación
Machine Learning/ Aprendizaje Automático
Aprendizaje automático:

- Uso de algoritmos
(Complejidad
polinómica)

Dividido en:

- Complejidad del
entrenamiento

- Complejidad de
aplicar el algoritmo
entrenado
Tipos de aprendizaje automático

- Aprendizaje Supervisado: (aprender de los ejemplares)

Conjunto de ejemplos de entrenamiento con las
respuestas correctas.
- Aprendizaje no Supervisado: (estimación de densidad)
No se proporcionan respuestas correctas.
- Aprendizaje Reforzado: (aprender con un crítico)
Es un híbrido entre aprendizaje Supervisado y el
aprendizaje no supervisado.
El algoritmo recibe información solo cuando la respuesta
es incorrecta.
- Aprendizaje Evolutivo:
Este aprendizaje sigue ideales de la evolución biológica,
generando un proceso de aprendizaje de enfoque biológico, como lo
son el comportamiento de los organismos.
Aprendizaje Supervisado

- El conjunto de datos se representa bajo la premisa: (Xi,Ti)

- Xi = Entradas Ti = Objetivos
- El índice “i” sugiere que tenemos muchos datos. Registro de datos iniciados en 1 hasta N.
Regresión

y -> Salida de datos

Continuando con el ejemplo: Se le ha pedido sacar la salida para el valor de x =0,44,

y tiene a su disposición una tabla de datos, que se muestra abajo.

Problema de regresión
Ejemplo forma función cúbica:
ax3 +bx2 +cx+d = 0).
Función polinomio:
ax10 + bx9 + . . . + jx + k = 0
Función seno:
y = 3 sin (5x).
Clasificación

- Se toman vectores de entrada y decidir cuál de estas N clases pertenecen, basados en el entrenamiento
de ejemplares de cada clase.

- Este problema de clasificación, se define como discreto.

Caso ejemplo, máquina expendedora.

Se entrena con la intención de que pueda
reconocer todas las monedas de nueva Zelanda.

Configuración del clasificador de monedas.

Parámetros que se podrían utilizar, sería el diámetro,
el peso y posiblemente la forma.