El documento proporciona una introducción al aprendizaje automático, describiendo que surgió en la década de 1950 como una forma de industrializar la ciencia de datos y que en 1956 uno de los ingenieros de IBM logró enseñar a una computadora a jugar damas. Se divide el aprendizaje automático en dos fases: entrenamiento y verificación, y cubre algunos métodos populares como aprendizaje supervisado, semisupervisado y con refuerzo.

1. APRENDIZAJE
AUTOMÁTICO
Integrantes
• Víctor Hernández
• Jessica Reyes
• Kevin Vargas

2. 1950, a modo de motor e industrialización de la Ciencia de Datos,
también conocida como “data science”.
1956, uno de los ingenieros de la IBM, Arthur Samuel, inicia el “machine
learning” logrando aprender al ordenador IBM 701 a ganar en un juego de
damas.
1959, la revista “Communications of the ACM” publica el primer artículo donde
acuña el concepto de las “ciencias de la computación”.

3. Campo de estudio que
proporciona a los
ordenadores la capacidad
de aprender sin estar
explícitamente
programados”.
Pone en marcha
algoritmos, para obtener
análisis predictivos con
fines precisos y establece
correlaciones entre varios
sucesos.

4. Se divide
en 2
Fase de “entrenamiento”, se
aprenden una parte de los datos,
construye un modelo de
correlación entre variables
conocidas
Fase de “verificación”, se utilizan la
segunda parte de los datos. Tiene en
cuenta un conjunto de variables y
extrae las correlaciones más fuertes.

5. ¿Qué se requiere para crear buenos
sistemas de machine learning?
 Recursos de preparación de datos.
 Algoritmos – básicos y avanzados.
 Automatización y procesos iterativos.
 Escalabilidad.
 Modelado en conjunto.

6. Métodos populares del machine learning
1. Algoritmos de aprendizaje
supervisado
Es la persona quién describe los
criterios que existen en su base de
datos para su análisis y clasificación.
2. El aprendizaje semisupervisado: Se
utiliza para las mismas aplicaciones que el
aprendizaje supervisado. Sin embargo,
utiliza datos etiquetados y no etiquetados
para entrenamiento

7. El aprendizaje con refuerzo
Se utiliza a menudo para robótica,
juegos y navegación. Con el
con refuerzo, el algoritmo descubre a
través de ensayo y error qué acciones
producen las mayores recompensas.
Este tipo de aprendizaje tiene tres
componentes principales: el agente (el
que aprende o toma decisiones), el
entorno (todo con lo que interactúa el
agente) y acciones (lo que el agente
puede hacer).

8. ¿En donde se aplica?
 Servicios financieros
 Servicios de salud
 Marketing y ventas
 Gobierno
 Transporte
 Industrias de petroleo y gas

9. Referencias
1. Kyocera
https://smarterworkspaces.kyocera.es/blog/que-es-el-aprendizaje-
2. SAS/the power to know (2018)
https://www.sas.com/es_mx/insights/analytics/machine-learning.html