APRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADO. UPA

1. INTEGRANTES
 BECERRA DAVILA LESLY
 DAVILA FERNANDEZ DARWIN
 FERNANDEZ CALDERON JOHANNI
 GONZALES GALLARDO KEVIN
 HAYDEE TOCTO DELGADO
APRENDISAJE SUPERVISADO
APRENDIZAJE NO SUPERVISADO

2. APRENDIZAJE SUPERVISADO
Emplea un conjunto de datos conocidos (el denominado conjunto de
datos de entrenamiento) para realizar predicciones.
El conjunto de datos de entrenamiento incluye datos de entrada y
valores de respuesta.
A partir de él, el algoritmo de aprendizaje supervisado busca crear un
modelo que pueda realizar predicciones acerca de los valores de
respuesta para un nuevo conjunto de datos.
Debemos de utilizar el aprendizaje supervisado cuando:
Se tiene datos conocidos para la salida que está intentando predecir.

3. VENTAJAS
• Es posible dar un algoritmo general para su aplicación. Es decir, se trata de un mecanismo muy bien
definido, que no depende apenas del tipo de problema de clasificación al que nos enfrentamos.
• Tenemos cierta seguridad sobre lo que puede hacer el clasificador y lo que no puede hacer.
• Durante el entrenamiento podemos medir el grado de acierto del clasificador y podemos detener el
entrenamiento cuando lo consideremos aceptable.

4. DESVENTAJAS
• Tenemos que el proceso de entrenamiento suele ser lento y no es infalible, se depende bastante de la
elección de los casos de entrenamiento para que el clasificador sea capaz de generalizar lo suficiente.
• Es preciso un trabajo previo de clasificación manual de los casos que se usarán para el entrenamiento,
que pueden ser muchos miles en un problema de cierta complejidad.

5. TECNICAS DE
CLASIFICACION
TECNICAS QUE UTILIZA EL APRENDIZAJE SUPERVISADO
TECNICAS DE
CLASIFICACION

6. TECNICA DE CLASIFICACION
Para valores de respuesta categóricos, en los que los datos se pueden separar en “clases”
específicas
Ejemplo: Si un correo electrónico es legítimo o es spam, o bien si un tumor es cancerígeno o
benigno.
Los modelos de clasificación organizan los datos de entrada en categorías.
Imágenes Medicas Reconocimiento de Voz Calificación Crediticia

7. Debemos de utilizar la técnica de clasificación cuando:
Los datos se pueden
etiquetar.
Los datos se pueden
categorizar.
Los datos se pueden dividir en
grupos o clases concretos.

8. Algunos algoritmos habituales para realizar la clasificación son:
Máquina de vectores de soporte (SVM): construye un modelo capaz de
predecir si un punto nuevo (cuya categoría desconocemos) pertenece a
una categoría o a la otra.
Arboles de decisión: Permite que un individuo o una organización
comparen posibles acciones entre sí según sus costos, probabilidades y
beneficios.
K-vecino más cercano: Búsqueda de un conjunto de los k más cercanos
al patrón a clasificar.

9. Algunos algoritmos habituales para realizar la clasificación son:
Clasificadores bayesianos (Naïve Bayes): Se basa en encontrar la
hipótesis mas probable.
Análisis discriminante: Asignar nuevas observaciones a grupos ya
conocidos.
Regresión logística: Modelar como influyen la probabilidad de aparición
de un suceso la presencia o no de diversos factores.

10. TECNICA DE REGRESION
Para valores de respuesta continua.
Por ejemplo, cambios de temperatura o fluctuaciones en la demanda energética.
El Trading Algorítmico Calificación Crediticia

11. Debemos de utilizar la técnica de clasificación cuando:
Se trabaja con un intervalo de
datos
Si la naturaleza de la respuesta
es un número real

12. Algunos algoritmos habituales para realizar la clasificación son:
Modelo lineal: Es una técnica de modelización estadística que se emplea
para describir una variable de respuesta continua a modo de función de
una o varias variables predictivas.
Modelo no lineal: Es una técnica estadística que ayuda a describir
relaciones no lineales en datos experimentales.

13. Algunos algoritmos habituales para realizar la clasificación son:
Arboles de decisión: Permite que un individuo o una organización
comparen posibles acciones entre sí según sus costos, probabilidades y
beneficios.
Regresión por pasos: Selecciona las variables independientes (que se
utilizan para predecir) que deben de incluir en un modelo de regresión.

14. APRENDIZAJE NO SUPERVISADO
El aprendizaje no supervisado halla patrones ocultos o estructuras intrínsecas en los datos.
Se emplea para inferir información a partir de conjuntos de datos que constan de datos de
entrada sin respuestas etiquetadas.

15. VENTAJAS
• Su capacidad de evolución lo hace ideal para poder adaptarse a nuevas situaciones no previstas
• Se elimina la necesidad de entrenamiento previo
• Se elimina la necesidad de clasificación manual de casos de entrenamiento
• No hay algoritmo general, su implementación depende de cada problema
• No hay seguridad sobre el comportamiento del clasificador, evoluciona con cada nuevo caso

16. DESVENTAJAS
• No hay un esquema general bien definido para guiar su implementación. En cada problema tendrá una
forma distinta y esto puede ser un inconveniente serio.

17. TECNICAS DE CLUSTERING
TECNICAS QUE UTILIZA EL APRENDIZAJE NO SUPERVISADO

18. TECNICA DE CLUSTERING
Clustering consiste en organizar los datos en grupos cuyos miembros son parecidos de alguna
forma. Es decir, un clúster es un conjunto de datos que son similares de alguna forma, y a su
vez son “disimiles” a los ejemplos contenidos en otros clústers.
Se emplea para el análisis de datos exploratorio, con objeto de encontrar patrones o
agrupaciones ocultos en los datos.
Análisis de secuencias
genéticas.
La investigación de
mercados.
Reconocimiento de
objetos.

19. Algunos algoritmos habituales para realizar la clasificación son:
Agrupamiento jerárquico: crea una jerarquía multinivel de clusters
mediante la creación de un árbol de clústeres
Agrupación k-Means: divide los datos en k grupos distintos en función de
la distancia al centro de un clúster

20. Algunos algoritmos habituales para realizar la clasificación son:
Modelos gaussianos de mezclas: clusters de modelos como una mezcla
de componentes de densidad normal multivariante (modelo para varias
variables de respuesta)
Mapas autoorganizados: usa redes neuronales que aprenden la
topología y distribución de los datos
Modelos ocultos de Márkov: utiliza datos observados para recuperar la
secuencia de estados