Introducción al ML
0 recomendaciones1,210 vistas
El documento ofrece una introducción al machine learning, explicando su definición, tipos y su relación con la inteligencia artificial y big data. Detalla conceptos como aprendizaje supervisado, no supervisado y reforzado, así como sus aplicaciones y algoritmos relevantes. Además, menciona el crecimiento exponencial de datos en la era digital y la importancia de la ciencia de datos en la extracción de conocimiento valioso.
Introducción al ML
- 1. INTRODUCCIÓN AL MACHINE LEARNING Preparado como parte de las Actividades por el LII Aniversario de la Facultad de Ciencias Puras y Naturales M.Sc. Aldo Ramiro Valdez Alvarado Mayo de 2018
- 2. Inteligencia Artificial y ML Big Data y ML Data Science y ML Definición de ML Tipos de ML Aprendizaje Supervisado Aprendizaje No Supervisado Índice 1 2 3 4 5 6 7
- 4. Inteligencia Artificial y ML1
- 5. La Inteligencia Artificial es la ciencia de construir máquinas que… … piensen como humanos … actúen como humanos … piensen racionalmente … actúen racionalmente
- 7. En 1959, el científico de la IBM Arthur Samuel escribió un programa para jugar damas, para mejorarlo hizo que el programa jugara consigo mismo miles de veces, el programa era capaz de mejorar su rendimiento a través de la experiencia, el programa aprendió y nació el Machine Learning.
- 8. Big Data y ML2
- 10. • Actualmente existen almacenados +2.7 Zetabytes, se esperan 35 Zetabytes para 2020 • En 2012 la información digital alcanzó a nivel mundial 2.837 exabytes. Puestos en DVDs, la torre sería de 400.000 Kms, más que la distancia de la Tierra a la Luna • Google procesa más de 24 Petabytes/día, información equivalente a varios miles de veces la biblioteca del congreso de USA
- 11. Crecimiento exponencial de datos Frecuencia a la que se genera los datos Diferentes formatos y estructuras de los datos Exactitud de los datos y del cálculo
- 12. Data Science y ML3
- 13. La ciencia de datos (Data Science) es la ciencia computacional de la extracción de conocimientos significativos a partir de datos brutos y luego la comunicación efectiva de esos conocimientos para generar valor. (Pierson, 2017)
- 18. El aprendizaje automático o Machine Learning es un método científico que nos permite usar los ordenadores y otros dispositivos con capacidad computacional para que aprendan a extraer los patrones y relaciones que hay en nuestros datos por sí solos. Esos patrones se pueden usar luego para predecir comportamientos y en la toma de decisiones.
- 19. El Aprendizaje Automático es un campo en la Inteligencia Artificial, donde las máquinas pueden "aprender" de sí mismas, sin ser explícitamente programadas por los seres humanos. Analizando datos pasados llamados "datos de entrenamiento", el modelo de Aprendizaje Automático forma patrones y usa estos patrones para aprender y hacer predicciones futuras.
- 20. "Se dice que un programa de computadora aprende de la experiencia E con respecto a alguna clase de tareas T y la medida de rendimiento P, si su rendimiento en tareas en T, medido por P, mejora con la experiencia E. “ Mitchell, 1997
- 22. Tipos de ML5
- 23. Aprendizaje Supervisado • Modelos Predictivos. • La máquina aprende explícitamente. • Predice el futuro a partir de datos históricos. • Resuelve problemas de clasificación y regresión. Aprendizaje No Supervisado • Modelos Descriptivos. • La máquina entiende los datos. • La evaluación es cualitativa o indirecta. • No realiza predicciones, encuentra algo específico. Aprendizaje Reforzado • Un enfoque de la IA • Aprendizaje basado en los hallazgos. • La máquina aprende a como actuar en un determinado entorno. • Maximiza los hallazgos.
- 24. Variables Discretas Aprendizaje Supervisado Aprendizaje No Supervisado Variables Continúas Clasificación Clustering Regresión Reducción de la Dimensión
- 27. Aprendiendo un modelo, de datos etiquetados. Datos de Entrenamiento: “ejemplos” x con “etiquetas” y. (x1, y1), . . . , (xn, yn) / xi ∈ Rd Clasificación: y es discreta.Para simplificar, y ∈ {−1, +1} f : Rd −→ {−1, +1} f es llamada un clasificador binario. Ejemplo: Aprobación de créditos si/no, spam/ham, banana/naranja.
- 29. Característica2 Característica 1 Límite de la decisión
- 30. Característica2 Característica 1 Límite de la decisión Algoritmos: SVM, árboles de decisión, redes neuronales, K – nearest neighbors, naive bayes, entre otros.
- 31. Clasificación
- 33. Datos de Entrenamiento:“ejemplos” x con “etiquetas” y. (x1, y1), . . . , (xn, yn) / xi ∈ Rd Regresión: y es un valor real, y ∈ R f : Rd → R f es llamado un regresor. Ejemplo: cantidad de crédito, peso de una fruta.
- 38. 7 Aprendizaje No Supervisado
- 39. Aprendiendo un modelo, de datos no etiquetados. Datos de Entrenamiento: “ejemplos” x. x1, . . . , xn, xi ∈X ⊂ Rn Clustering/segmentation: f : Rd −→ {C1, . . . Ck} (Conjunto de clusters). Ejemplo: Encontrar clusters en la población, frutas, especies.
- 42. Característica2 Característica 1 Algoritmos: K-means, gaussian mixtures, clustering jerárquico, spectral clustering, entre otros.
- 43. Aldo Ramiro Valdez Alvarado Licenciado en Informática Máster en Dirección Estrategica en Tecnologías de la Información Máster(c) en Business Intelligence y Big Data Docente Titular de la Carrera de Informática de la UMSA Docente de Postgrado en la UMSA y otras Universidades Ex - Coordinador del Postgrado en Informática UMSA Conferencista Nacional e Internacional http://aldovaldezalvarado.blogspot.com/ https://www.linkedin.com/in/msc-aldo-valdez-alvarado-17464820 arvaldez@umsa.bo aldo_valdez@hotmail.com