Presentación sobre Machine Learning

1. Machine Learning

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.