Este documento trata sobre aprendizaje automático (machine learning). Explica que el aprendizaje automático permite predecir eventos futuros analizando información actual de manera sistemática y reproducible. También menciona algunos ejemplos comunes de aprendizaje automático como los filtros de spam, los buscadores web y las sugerencias de compra. Finalmente, resume los elementos esenciales del aprendizaje automático como los modelos, datos iniciales y de retroalimentación.

1. Machine Learning
Ing. José Luis Chiquete Valdivieso
Noviembre 2014

2. 
Desde siempre el ser humano ha tenido la
necesidad de poder adelantarse a los
acontecimientos.

La capacidad de poder analizar la
información actual para poder inferir lo que
ocurrirá en el futuro se volvió un "arte"
empírica.

Predecir sin un método racional,
sistemático y reproducible se vuelve
"ocultismo".
La necesidad de predecir

3. 
En un principio se pensó que el universo se
basaba en reglas determinísticas.

Era razonable pensar que conociendo el
estado inicial de un objeto y controlando
las variables de éste era posible predecir
su estado en el futuro.

"Dios no juega a los dados"- Albert
Einstein.

Pero el Universo se vuelve muy complejo
rápidamente.
La complejidad en el universo

4. "La estadística es la ciencia de aprender
por medio de los datos y de medir, controlar
y comunicar la incertidumbre; y por tanto
provee la guía esencial para controlar el
curso del avance social y científico".
-American Statistical Society
La ciencia estadística

5. Es el estudio de algoritmos computacionales
que mejoran automáticamente mediante la
experiencia.
-Tom Mitchel
¿Qué es "Machine Learning"?

6. 
El filtro de spam.

Los buscadores web.

Las sugerencias de compra.

Los navegadores GPS.

Las sugerencias de amigos en redes
sociales.
Algunos ejemplos de Machine Learning

7. 
El filtro de spam.

Los buscadores web.

Las sugerencias de compra.

Los navegadores GPS.

Las sugerencias de amigos en redes
sociales.

La predicción del clima.
Algunos ejemplos de Machine Learning

8. 
Un modelo (algoritmo).

Información inicial (data).

Sistema de retroalimentación (data).

Tiempo.
Elementos esenciales

9. 
Árboles de decisiones.

Regresiones.

Teorema de Bayes.

Redes neuronales.

Procesos estocásticos.

Máquinas de vectores de soporte.

Series de tiempo.
Algunos recursos

10. 
No hay modelos absolutos.

La complejidad nos supera.

El criterio humano es vital.

Siempre hay lugar para la mejora.
Retos y riesgos

11. 
El lenguaje R

IPython

Julia
¿Dónde empezar?