SlideShare una empresa de Scribd logo
1 de 14
MACHINE LEARNING
GRUPO #6 :
- MARIA NAZARENA DORADO MEDEIROS
- GUSTAVO RENE ROJASVALDEZ
- NOEMITICONA ANGLES
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
¿QUÉ ES MACHINE LEARNING?
APRENDIZAJE AUTOMÁTICO
ES UNA DISCIPLINA CIENTÍFICA DEL ÁMBITO DE LA INTELIGENCIA
ARTIFICIAL QUE CREA SISTEMAS QUE APRENDEN
AUTOMÁTICAMENTE. APRENDER EN ESTE CONTEXTO QUIERE DECIR
IDENTIFICAR PATRONES COMPLEJOS EN MILLONES DE DATOS. LA
MÁQUINA QUE REALMENTE APRENDE ES UN ALGORITMO QUE REVISA
LOS DATOS Y ES CAPAZ DE PREDECIR COMPORTAMIENTOS FUTUROS.
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
INTELIGENCIA
ARTIFICIAL
Es el intento de hacer que un
dispositivo o una aplicación sean
tan o mas inteligentes que un
humano.
AlanTouring dijo que cuando una computadora te hacia
creer que estabas hablando o interactuando con un humano
se podía decir que era Artificialmente inteligente.
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
PODRÍAMOS DECIR QUE:
inteligencia Artificial es como un auto y machine learning es
como un motor que lo hace moverse.
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
NOTODO EN MACHINE LEARNING ES PERFECTO
IMAGINEMOS UN ZAPATO
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
INTELIGENCIA
ARTIFICIAL DÉBIL:
AQUELLOS SISTEMAS QUE LE PERMITEN CUMPLIR
CON UN CONJUNTO LIMITADO DETAREAS.
EJ: SI ENSEÑASA UN ROBOT A CAMINARY QUIERES
QUE PATEE UNA PELOTA PUEDE QUE NOTENGAS UN
RESULTADO ESPERADO.
INTELIGENCIA
ARTIFICIAL FUERTE:
SON AQUELLAS IA QUE SON CAPACES DE APLICARSE A
UNA GRANVARIEDAD DE PROBLEMAS.
SUBCATEGORÍAS DE INTELIGENCIA ARTIFICIALQUE RESPONDEN A DIFERENTES COMPARTIMIENTOS INTELIGENTES
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
ESTE APRENDIZAJE PUEDE DIVIDIRSE EN 3 GRUPOS
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
TÉCNICAS DE MACHINE LEARNING
.ARBOLES DE DECISIÓN
. K-means (K-M)
.REGLAS DE ASOCIACION
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
ARBOLES DE DECISIÓN
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
K-MEANS (K-M)
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
REGLAS DE ASOCIACIÓN
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
LATÉCNICA QUE HA DADO FAMA EN EL MACHINE LEARNING
REDES NEURONALES
LO INTERESANTE ESQUE PUEDENAPRENDER DE
MANERA JERARQUIZADA, ES DECIR LA
INFORMACIÓN SE APRENDE POR NIVELES,
DONDE LAS PRIMERASCAPAZAPRENDEN
CONCEPTOS MUY CONCRETOS,Y EN LA
SEGUNDACAPA CONCEPTOS MAS ABSTRACTOS.
NO HAY UN LIMITE DE CAPAS
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
ÁMBITOS DE APLICACIÓN DEL MACHINE LEARNING
•Detectar fraude en transacciones.
•Predecir de fallos en equipos tecnológicos.
•Prever qué empleados serán más rentables el año que viene (el sector de los
Recursos Humanos está apostando seriamente por el Machine Learning).
•Seleccionar clientes potenciales basándose en comportamientos en las redes
sociales, interacciones en la web…
•Predecir el tráfico urbano.
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
GRACIAS POR SU
ATENCIÓN
GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ

Más contenido relacionado

Similar a Machine e learning (11)

Machine learning
Machine learningMachine learning
Machine learning
 
HUARACHI ZARTE DANIELA CARLA
HUARACHI ZARTE DANIELA CARLA HUARACHI ZARTE DANIELA CARLA
HUARACHI ZARTE DANIELA CARLA
 
Edison patin
Edison patinEdison patin
Edison patin
 
Nanomedicina final
Nanomedicina finalNanomedicina final
Nanomedicina final
 
Emiliano Piscitelli
Emiliano PiscitelliEmiliano Piscitelli
Emiliano Piscitelli
 
Biochip 666
Biochip 666Biochip 666
Biochip 666
 
C1 introducciòn
C1 introducciònC1 introducciòn
C1 introducciòn
 
Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificial
 
Nti cs1
Nti cs1Nti cs1
Nti cs1
 
Ciencia y tecnologia
Ciencia y tecnologiaCiencia y tecnologia
Ciencia y tecnologia
 
Turing-Searle
Turing-SearleTuring-Searle
Turing-Searle
 

Más de MARIANAZARENADORADOM (6)

Proyecto mineria de datos caso1
Proyecto mineria de datos caso1Proyecto mineria de datos caso1
Proyecto mineria de datos caso1
 
Proyecto mineria de datos caso2
Proyecto mineria de datos caso2Proyecto mineria de datos caso2
Proyecto mineria de datos caso2
 
Mineria de datos
Mineria de datosMineria de datos
Mineria de datos
 
Resumen codigo enigma
Resumen codigo enigmaResumen codigo enigma
Resumen codigo enigma
 
Resumen codigo enigma
Resumen codigo enigmaResumen codigo enigma
Resumen codigo enigma
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
 

Último

INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNATINSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
evercoyla
 
MODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdf
MODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdfMODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdf
MODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdf
vladimirpaucarmontes
 
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
Ricardo705519
 
tesis maíz univesidad catolica santa maria
tesis maíz univesidad catolica santa mariatesis maíz univesidad catolica santa maria
tesis maíz univesidad catolica santa maria
susafy7
 

Último (20)

QUIMICA GENERAL UNIVERSIDAD TECNOLOGICA DEL PERU
QUIMICA GENERAL UNIVERSIDAD TECNOLOGICA DEL PERUQUIMICA GENERAL UNIVERSIDAD TECNOLOGICA DEL PERU
QUIMICA GENERAL UNIVERSIDAD TECNOLOGICA DEL PERU
 
Lineamientos del Plan Oferta y Demanda sesión 5
Lineamientos del Plan Oferta y Demanda sesión 5Lineamientos del Plan Oferta y Demanda sesión 5
Lineamientos del Plan Oferta y Demanda sesión 5
 
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNATINSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
INSUMOS QUIMICOS Y BIENES FISCALIZADOS POR LA SUNAT
 
nomenclatura de equipo electrico en subestaciones
nomenclatura de equipo electrico en subestacionesnomenclatura de equipo electrico en subestaciones
nomenclatura de equipo electrico en subestaciones
 
MODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdf
MODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdfMODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdf
MODIFICADO - CAPITULO II DISEÑO SISMORRESISTENTE DE VIGAS Y COLUMNAS.pdf
 
Clasificación de Equipos e Instrumentos en Electricidad.docx
Clasificación de Equipos e Instrumentos en Electricidad.docxClasificación de Equipos e Instrumentos en Electricidad.docx
Clasificación de Equipos e Instrumentos en Electricidad.docx
 
TIPOS DE SOPORTES - CLASIFICACION IG.pdf
TIPOS DE SOPORTES - CLASIFICACION IG.pdfTIPOS DE SOPORTES - CLASIFICACION IG.pdf
TIPOS DE SOPORTES - CLASIFICACION IG.pdf
 
01 MATERIALES AERONAUTICOS VARIOS clase 1.ppt
01 MATERIALES AERONAUTICOS VARIOS clase 1.ppt01 MATERIALES AERONAUTICOS VARIOS clase 1.ppt
01 MATERIALES AERONAUTICOS VARIOS clase 1.ppt
 
COMPEDIOS ESTADISTICOS DE PERU EN EL 2023
COMPEDIOS ESTADISTICOS DE PERU EN EL 2023COMPEDIOS ESTADISTICOS DE PERU EN EL 2023
COMPEDIOS ESTADISTICOS DE PERU EN EL 2023
 
Herramientas de la productividad - Revit
Herramientas de la productividad - RevitHerramientas de la productividad - Revit
Herramientas de la productividad - Revit
 
INTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICA
INTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICAINTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICA
INTEGRALES TRIPLES CLASE TEORICA Y PRÁCTICA
 
Estadística Anual y Multianual del Sector Eléctrico Ecuatoriano
Estadística Anual y Multianual del Sector Eléctrico EcuatorianoEstadística Anual y Multianual del Sector Eléctrico Ecuatoriano
Estadística Anual y Multianual del Sector Eléctrico Ecuatoriano
 
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
 
Ejemplos aplicados de flip flops para la ingenieria
Ejemplos aplicados de flip flops para la ingenieriaEjemplos aplicados de flip flops para la ingenieria
Ejemplos aplicados de flip flops para la ingenieria
 
Sesion 6 _ Curso Integrador II_TSZVQJ.pdf
Sesion 6 _ Curso Integrador II_TSZVQJ.pdfSesion 6 _ Curso Integrador II_TSZVQJ.pdf
Sesion 6 _ Curso Integrador II_TSZVQJ.pdf
 
CALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSION
CALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSIONCALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSION
CALCULO SISTEMA DE PUESTA A TIERRA PARA BAJA TENSION Y MEDIA TENSION
 
tesis maíz univesidad catolica santa maria
tesis maíz univesidad catolica santa mariatesis maíz univesidad catolica santa maria
tesis maíz univesidad catolica santa maria
 
APORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHT
APORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHTAPORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHT
APORTES A LA ARQUITECTURA DE WALTER GROPIUS Y FRANK LLOYD WRIGHT
 
Gestion de proyectos para el control y seguimiento
Gestion de proyectos para el control  y seguimientoGestion de proyectos para el control  y seguimiento
Gestion de proyectos para el control y seguimiento
 
Ficha Tecnica de Ladrillos de Tabique de diferentes modelos
Ficha Tecnica de Ladrillos de Tabique de diferentes modelosFicha Tecnica de Ladrillos de Tabique de diferentes modelos
Ficha Tecnica de Ladrillos de Tabique de diferentes modelos
 

Machine e learning

  • 1. MACHINE LEARNING GRUPO #6 : - MARIA NAZARENA DORADO MEDEIROS - GUSTAVO RENE ROJASVALDEZ - NOEMITICONA ANGLES GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 2. ¿QUÉ ES MACHINE LEARNING? APRENDIZAJE AUTOMÁTICO ES UNA DISCIPLINA CIENTÍFICA DEL ÁMBITO DE LA INTELIGENCIA ARTIFICIAL QUE CREA SISTEMAS QUE APRENDEN AUTOMÁTICAMENTE. APRENDER EN ESTE CONTEXTO QUIERE DECIR IDENTIFICAR PATRONES COMPLEJOS EN MILLONES DE DATOS. LA MÁQUINA QUE REALMENTE APRENDE ES UN ALGORITMO QUE REVISA LOS DATOS Y ES CAPAZ DE PREDECIR COMPORTAMIENTOS FUTUROS. GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 3. INTELIGENCIA ARTIFICIAL Es el intento de hacer que un dispositivo o una aplicación sean tan o mas inteligentes que un humano. AlanTouring dijo que cuando una computadora te hacia creer que estabas hablando o interactuando con un humano se podía decir que era Artificialmente inteligente. GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 4. PODRÍAMOS DECIR QUE: inteligencia Artificial es como un auto y machine learning es como un motor que lo hace moverse. GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 5. NOTODO EN MACHINE LEARNING ES PERFECTO IMAGINEMOS UN ZAPATO GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 6. INTELIGENCIA ARTIFICIAL DÉBIL: AQUELLOS SISTEMAS QUE LE PERMITEN CUMPLIR CON UN CONJUNTO LIMITADO DETAREAS. EJ: SI ENSEÑASA UN ROBOT A CAMINARY QUIERES QUE PATEE UNA PELOTA PUEDE QUE NOTENGAS UN RESULTADO ESPERADO. INTELIGENCIA ARTIFICIAL FUERTE: SON AQUELLAS IA QUE SON CAPACES DE APLICARSE A UNA GRANVARIEDAD DE PROBLEMAS. SUBCATEGORÍAS DE INTELIGENCIA ARTIFICIALQUE RESPONDEN A DIFERENTES COMPARTIMIENTOS INTELIGENTES GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 7. ESTE APRENDIZAJE PUEDE DIVIDIRSE EN 3 GRUPOS GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 8. TÉCNICAS DE MACHINE LEARNING .ARBOLES DE DECISIÓN . K-means (K-M) .REGLAS DE ASOCIACION GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 9. ARBOLES DE DECISIÓN GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 10. K-MEANS (K-M) GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 11. REGLAS DE ASOCIACIÓN GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 12. LATÉCNICA QUE HA DADO FAMA EN EL MACHINE LEARNING REDES NEURONALES LO INTERESANTE ESQUE PUEDENAPRENDER DE MANERA JERARQUIZADA, ES DECIR LA INFORMACIÓN SE APRENDE POR NIVELES, DONDE LAS PRIMERASCAPAZAPRENDEN CONCEPTOS MUY CONCRETOS,Y EN LA SEGUNDACAPA CONCEPTOS MAS ABSTRACTOS. NO HAY UN LIMITE DE CAPAS GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 13. ÁMBITOS DE APLICACIÓN DEL MACHINE LEARNING •Detectar fraude en transacciones. •Predecir de fallos en equipos tecnológicos. •Prever qué empleados serán más rentables el año que viene (el sector de los Recursos Humanos está apostando seriamente por el Machine Learning). •Seleccionar clientes potenciales basándose en comportamientos en las redes sociales, interacciones en la web… •Predecir el tráfico urbano. GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ
  • 14. GRACIAS POR SU ATENCIÓN GUSTAVO ROJAS - NAZARENA DORADO - NOEMI TICONA - FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS - DOCENTE: ING. DAVID ENRIQUE MENDOZA GUTIÉRREZ