Machine learning

1. ESTUDIANTE: RUSSHELL MORA
CURSO: 3 S “A”

2. ¿Qué es Machine Learning?
El Machine Learning o Aprendizaje
Automático es una rama dentro del
campo de la Inteligencia Artificial
cuyo objetivo crear sistemas
capaces de aprender por ellos
mismos, sin necesidad de ser
programados.

3. Métodos de Machine Learning
• Métodos de regresión
• Redes neuronales
• Métodos de agrupación
• Métodos de clasificación
• Regresión Logística
• Árboles de decisión

4. Tipos de Machine Learning
APRENDIZAJE SUPERVISADO
APRENDIZAJE NO SUPERVISADO
APRENDIZAJE POR REFUERZO

5. APRENDIZAJE SUPERVISADO
En el Aprendizaje Supervisado, depende de datos previamente
etiquetados. La idea es que las computadoras aprendan de una
multitud de ejemplos, y a partir de ahí puedan hacer el resto de
cálculos necesarios para que nosotros no tengamos que volver a
ingresar ninguna información.
Ejemplos:
• Reconocimiento de voz
• Detección de spam

6. APRENDIZAJE NO SUPERVISADO
En el aprendizaje no supervisado, tienen el objetivo de
comprender y abstraer los patrones de la información
directamente.
Ejemplos:
• Clasificación de información
• Clasificación de personas dados sus genomas

7. APRENDIZAJE POR REFUERZO
La base del aprendizaje es el refuerzo.
El aprendizaje por refuerzo consiste en aprender a decidir ante
una situación predeterminada que acción es la más adecuada
para lograr el objetivo.

8. Representación del modelo
matemático de Machine Learning
Lograr que las máquinas aprendan comportamientos, encuentren
patrones o realicen predicciones a partir de datos.
Se puede lograr con la aplicación de las matemáticas y, en el caso
particular del Machine Learning, mediante operaciones entre matrices
(Algebra Lineal).

9. Ventajas de Machine Learning
• Ayuda en la toma de decisiones: el Machine Learning ofrece un apoyo para
la empresa al disponer de los datos adecuados para una mejor toma de
decisiones.
• Mejora del desarrollo de nuevos productos y en su posterior impulso. Y es
que el Machine Learning favorece la innovación y la búsqueda de nuevas
soluciones gracias a la interpretación de datos.
• Mayor conocimiento de las necesidades, gustos y hábitos de compra de los
clientes.
• Predicción de tendencias y necesidades a partir de la interpretación de
millones de datos

10. Ejemplos y aplicaciones del Machine
Learning
• En el día a día hay muchas aplicaciones que utilizan este sistema, estas son
algunas de ellas:
• La detección de rostro en las cámaras móviles, cada vez son más los
smartphones que integran este tipo de tecnología.
• Los buscadores de navegadores se valen del Machine Learning para mejorar los
resultados y sugerencias en la búsqueda.
• Los anti-spam de los correos, mediante el uso de etiquetas.
• Los anti-virus con la detección de software malicioso.
• Las predicciones y pronósticos mediante la recolección de datos de los usuarios
se pueden recomendar y sugerir otros productos.