El documento habla sobre el aprendizaje supervisado y no supervisado en machine learning. El aprendizaje supervisado utiliza datos etiquetados para predecir valores de salida mediante técnicas como regresión, clasificación binaria y multiclase. El aprendizaje no supervisado descubre patrones en datos no etiquetados usando agrupamiento para segmentar los datos en grupos sin una salida conocida.

1. MACHINE
LEARNING
Apredizaje
supervisado
Importancia
Proporciona una ruta
directa para conventir
datos en informacion real
y procesables,permite a
organizaciones
comprender y prevenir
riesgos y por ultimo toma
decisiones de forma mas
rapida y precisa que los
humanos.
Prediccion con base a ejemplos
historicos de esa variable de salida
Intenta modelar
relaciones y
dependencias
entre el
resultado y las
caracteristicas
de entrada
Clasificacion
Clasificacion
Tipos
- Regresion logistica.- Maquinas
de vectores soporte.-Arboles
de decision clasificacion.-
Bosques aleatorios.
Intenta
etiquetar cada
ejemplo entre
dos o mas
clases.
Su apredizaje se basa en datos
nuevos ,no vistos previamente
para predecir.
Binaria
Dos clases
Multiclase
Mas de dos
clases
Regresion
Tipos
- Regresion lineal.
- Regresion polinomial.
- Vectores de soporte.
- Arboles de decision
.- Bosques aleatorios
En un valor real
basado en
entradas
pasadas
Que se usa para predecir valores
de salida obtenidos de datos de
entrada
Valores
continuos
Aprendizaje No supervisado
Importancia
Pretende descubrir
patrones
previamente
desconocidos en los
datos,al igual que
hace una
segmentacion en
grupos grandes en
vez de individuales y
por ultimo no se
sabe cual sera el
resultado del
conjunto de datos,
Sin etiquetas de
salida
Segrega los datos en
un conjunto sin
etiquetas en funcion
de algunas
caracteristicas ocultas
Descubrir
estruturas
ocultas y
anomalas
No hay manera
de evaluar los
datos de
resultado
Clasificacion
Parametrica
Provoenen de un conjunto de
datos que siguen una probabilidad
y si conoce promedio y desviacion
estandar puede dar
probabilidades futuras
Maximacion
No parametrico
Los datos se agrupan
donde cada uno dice algo
acerca de las categorias se
usa para pequeñas
muestras de datos.
No requieren de
supocisiones de
un modelador.
Trata de
encontrar una
estrutura en
una coleccion
de datos sin
etiquetas.
Agrupacion de
K-MEANS
Agrupacion
jerarquica
Mezclas de
modelos
gaussianos
Predicciones
con datos
Función con
relación en
Predicción
Algoritmos
Algoritmo
Función
Elección
Variables
Algoritmo
Función
Uso de algoritmo
Clustering