Machine Learning.pptx
- 2. INDICE • ¿Qué es Machine Learning? • ¿Por qué utilizar Machine Learning? • Ejemplos de Aplicaciones • Tipos de sistemas de Machine Learning • Conclusión
- 3. ¿Qué es Machine Learning? El Machine Learning es la ciencia (y el arte) de programar computadoras para que puedan aprender a partir de datos. - Arthur Samuel lo definió como el campo de estudio que le da a las computadoras la capacidad de aprender sin ser programadas explícitamente. - Tom Mitchell lo define como un programa de computadora que aprende de la experiencia E en relación a una tarea T y una medida de rendimiento P, si su rendimiento en T, medido por P, mejora con la experiencia E.
- 4. Ejemplo de Machine Learning Un ejemplo de aplicación de Machine Learning es el filtro de correo no deseado que, dadas muestras de correos no deseados y correos regulares, puede aprender a identificar el correo no deseado. Las muestras que el sistema utiliza para aprender se llaman conjunto de entrenamiento, y cada ejemplo de entrenamiento se llama instancia de entrenamiento o muestra. La medida de rendimiento P puede definirse como la precisión de la identificación del correo no deseado.
- 5. ¿Por qué utilizar Machine Learning? • Automatización. • Mejora de la precisión. • Solucionar problemas existentes que requieren muchos ajustes o largas listas de reglas. • Análisis de grandes cantidades de datos. • Mejora de la eficiencia. • Solucionar problemas complejos para los que el uso de un enfoque tradicional no ofrece una buena solución.
- 6. Ejemplos de Aplicaciones • Analizar imágenes de productos en una línea de producción para clasificarlos automáticamente. • Marcar automáticamente comentarios ofensivos en foros de discusión. • Crear un chatbot o un asistente personal. • Pronosticar los ingresos de su empresa el próximo año (en función de muchas métricas de rendimiento).
- 7. Tipos de sistemas de Machine Learning • Aprendizaje supervisado/no supervisado • Aprendizaje por lotes y online • Aprendizaje basado en instancias y aprendizaje basado en modelos
- 8. Aprendizaje supervisado/no supervisado • Aprendizaje supervisado • Aprendizaje no supervisado • Aprendizaje semisupervisado • Aprendizaje reforzado
- 9. Aprendizaje supervisado Tipo de aprendizaje automático en el que se entrena a un modelo utilizando un conjunto de datos etiquetados. Puntos claves: • Conjunto de datos etiquetados • Función de pérdida • Ajuste de parámetros • Validación cruzada • Regresión
- 10. Aprendizaje no supervisado El aprendizaje no supervisado es una rama del aprendizaje automático que se enfoca en descubrir patrones y estructuras en datos no etiquetados, es decir, datos que no tienen una categoría o respuesta previamente definida. Principales métodos: • Clustering • Reducción de dimensionalidad • Análisis de componentes principales • Redes neuronales no supervisadas • Asociación
- 11. Aprendizaje semisupervisado Es una técnica de aprendizaje automático que combina elementos del aprendizaje supervisado y no supervisado. • Utiliza un conjunto de datos etiquetados para entrenar el modelo • Utiliza datos no etiquetados • El modelo puede aprender de manera más eficiente y efectiva • Incluye la propagación de etiquetas
- 12. Aprendizaje reforzado Se trata de un enfoque del aprendizaje automático que se basa en la interacción entre un agente y un ambiente. A través de esta interacción, el agente aprende a tomar decisiones que maximizan una recompensa numérica, que se recibe del ambiente en respuesta a las acciones del agente. Puntos clave del aprendizaje reforzado: • Agente y ambiente • Acciones y estados • Recompensa • Política • Exploración y explotación
- 13. Aprendizaje por lotes El aprendizaje por lotes (batch learning en inglés) es un enfoque del aprendizaje automático en el que un modelo se entrena utilizando un conjunto de datos completo, llamado lote o conjunto de entrenamiento, en lugar de actualizar el modelo en tiempo real con cada nueva observación. Puntos clave del aprendizaje por lotes: • Lote o conjunto de entrenamiento • Iteraciones • Función de pérdida • Actualización de pesos
- 14. Aprendizaje online El aprendizaje en línea (online learning en inglés) es un enfoque del aprendizaje automático en el que el modelo se entrena en tiempo real, actualizando sus parámetros de forma continua a medida que se reciben nuevas observaciones. Puntos clave del aprendizaje reforzado: • Actualización continua • Adaptabilidad • Retroalimentación inmediata • Memoria limitada • Balance exploración-explotación
- 15. Aprendizaje basado en instancias vs basado en modelos APRENDIZAJE BASADO EN INSTANCIAS: • Almacenamiento de datos • Adaptabilidad • Similaridad • Poca generalización • Alta complejidad APRENDIZAJE BASADO EN MODELOS: • Generación de modelos • Generalización • Adaptabilidad • Menos almacenamiento • Mayor complejidad de modelado
- 16. Conclusión El aprendizaje automático o Machine Learning en inglés, es una rama de la inteligencia artificial que permite a las computadoras aprender de los datos y mejorar su rendimiento en tareas específicas sin ser explícitamente programadas. El aprendizaje automático ha demostrado ser una herramienta poderosa para resolver problemas en una variedad de campos, desde la detección de fraudes y la optimización de motores de búsqueda hasta el diagnóstico médico y la conducción autónoma de vehículos. Existen distintos tipos de enfoques como pueden ser el aprendizaje supervisado, no supervisado, semisupervisado, reforzado, por lotes, en línea, basado en instancias y basado en modelos. el aprendizaje automático o Machine Learning en inglés, es una rama de la inteligencia artificial que permite a las computadoras aprender de los datos y mejorar su rendimiento en tareas específicas sin ser explícitamente programadas. El aprendizaje automático ha demostrado ser una herramienta poderosa para resolver problemas en una variedad de campos, desde la detección de fraudes y la optimización de motores de búsqueda hasta el diagnóstico médico y la conducción autónoma de vehículos.