Presentación sobre el texto «Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. 2nd ed. (Géron, 2019)»

1. MACHINE LEARNING
DIEGO BAUTISTA DEL VIEJO – MINERÍA DE DATOS Y ALMACENES DE DATOS

2. ÍNDICE
1. INTRODUCCIÓN
2. ¿QUÉ ES EL MACHINE LEARNING?
3. ¿POR QUÉ UTILIZAR MACHINE LEARNING?
4. EJEMPLOS DE APLICACIONES DE MACHINE LEARNING
5. TIPOS DE SISTEMAS DE MACHINE LEARNING
6. CONCLUSIÓN

3. INTRODUCCIÓN
• PRIMERA APLICACIÓN EN LA DÉCADA DE 1990
• TODO COMENZO CON EL FILTRO DE SPAM
• ¿QUÉ ES EL APRENDIZAJE AUTOMÁTICO?
• APRENDIZAJE SUPERVISADO VS NO SUPERVISADO
• APRENDIZAJE EN LÍNEA VS POR LOTES
• APRENDIZAJE BASADO EN INSTANCIAS VS BASADOS EN MODELOS

4. ¿QUÉ ES MACHINE LEARNING?
• CIENCIA DE PROGRAMAR COMPUTADORAS PARA QUE APRENDAN DE LOS DATOS
• OTORGA LA CAPACIDAD DE APRENDER SIN SER PROGRAMADAS EXPLICITAMENTE
• SE UTILIZA UN CONJUNTO DE EJEMPLOS PARA QUE LA MÁQUINA APRENDA
• CONJUNTO DE EJEMPLOS UTILIZADOS -> CONJUNTO DE ENTRENAMIENTO
• CADA EJEMPLO -> INSTANCIA DE ENTRENAMIENTO O MUESTRA.

5. ¿POR QUÉ UTILIZAR MACHINE LEARNING?
• PROBLEMAS SIMPLES SE PUEDEN VOLVER MUY EXTENSOS SIN MACHINE LEARNING
• EJ: FILTRO DE SPAM DE CORREO -> AÑADIR REGLAS CONTINUAMENTE
• PROBLEMAS COMPLEJOS SOLUCIONADOS DE FORMA SENCILLA CON MACHINE LEARNING
• EN ENTORNOS FLUCTUANTES MACHINE LEARNING SE ADAPTA AUTOMÁTICAMENTE
• PERMITE OBTENER INFORMACIÓN, DESCUBRIR PATRONES, ETC. -> MINERÍA DE DATOS

6. EJEMPLOS DE APLICACIONES
DE MACHINE LEARNING
• ANALIZAR IMAGENES DE PRODUCTOS EN LÍNEA DE PRODUCCIÓN PARA CLASIFICARLOS
• DETECCIÓN DE TUMORES EN ESCÁNERES
• CLASIFICACIÓN AUTOMÁTICA DE ARTÍCULOS DE NOTICIAS
• OCULTAR COMENTARIOS OFENSIVOS EN FOTOS
• RESUMEN DE DOCUMENTOS AUTOMÁTICAMENTE
• ASISTENTE PERSONAL

7. TIPOS DE SISTEMAS DE
MACHINE LEARNING
• ANALIZAR IMAGENES DE PRODUCTOS EN LÍNEA DE PRODUCCIÓN PARA CLASIFICARLOS
• DETECCIÓN DE TUMORES EN ESCÁNERES
• CLASIFICACIÓN AUTOMÁTICA DE ARTÍCULOS DE NOTICIAS
• OCULTAR COMENTARIOS OFENSIVOS EN FOTOS
• RESUMEN DE DOCUMENTOS AUTOMÁTICAMENTE
• ASISTENTE PERSONAL

8. TIPOS DE SISTEMAS DE
MACHINE LEARNING
• CAPACITADOS O NO CON SUPERVISIÓN HUMANA
• SI PUEDEN O NO APRENDER GRADUALMENTE SOBRE LA MARCHA
• EN LÍNEA
• POR LOTES
• COMPARANDO DATOS NUEVOS CON YA CONOCIDOS O CONTRUYENDO UN
MODELO PREDICTIVO
• APRENDIZAJE BASADO EN INSTACIAS
• APRENDIZAJE BASADO EN MODELOS

9. SUPERVISIÓN HUMANA
HAY CUATRO TIPOS DE APRENDIZAJE:
• SUPERVIDADO -> EL CONJUNTO DE ENTRENAMIENTO QUE ALIMENTA AL ALGORITMO INCLUYE LAS SOLUCIONES
DESEADAS, LLAMADAS ETIQUETAS.
• NO SUPERVISADO -> LOS DATOS DE ENTRENAMIENTO NO ESTÁN ETIQUETADOS; APRENDER SIN UN MAESTRO
• SEMISUPERVISADO -> CONJUNTO DE ENTRENAMIENTO PARCIALMENTE ETIQUETADO -
• POR REFUERZO -> REALIZA ACCIONES Y OBTIENE RECOMPENSAS (TAMBIÉN NEGATIVAS), DECIDE LA MEJOR
ESTRATEGIA LLAMADA POLÍTICA.

10. APRENDIZAJE POR LOTES VS
EN LÍNEA
APRENDIZAJE POR LOTES:
• SISTEMA INCAPAZ DE APRENDER DE FORMA INCREMENTAL
• NECESITA TODOS LOS DATOS DISPONIBLES
• MUCHO TIEMPO Y RECURSOS
• SE EJECUTA SIN APRENDER MÁS -> APLICA LO APRENDIDO

11. APRENDIZAJE POR LOTES VS
EN LÍNEA
APRENDIZAJE EN LÍNEA:
• EL SISTEMA APRENDE DE FORMA INCREMENTAL -> ALIMENTANDOLO CON INSTANCIAS DE DATOS
• RÁPIDO Y ECONÓMICO
• IDEAL PARA FLUJOS DE DATOS CONTINUOS
• APRENDE CONTINUAMENTE
• SI ENTRAN DATOS INCORRECTOS DISMINUYE EL RENDIMIENTO GRADUALMENTE

12. APRENDIZAJE BASADO EN INSTANCIAS
VS BADADO EN MODELOS
APRENDIZAJE BASADO EN INSTANCIAS:
• EL SISTEMA APRENDE EJEMPLOS ANTERIORES DE MEMORIA -> COMPARA NUEVOS CASOS
CON MEDIDAS DE SIMILITUD
• LAS MEDIDAS PUEDEN SER VARIADAS, PERO SUELEN SER SENCILLAS

13. APRENDIZAJE BASADO EN INSTANCIAS
VS BADADO EN MODELOS
APRENDIZAJE BASADO EN MODELOS:
• CONTRUIR UN MODELO DE EJEMPLO A PARTIR DE LOS EJEMPLOS INTRODUCIDOS AL
SISTEMA

14. GRACIAS
DIEGO BAUTISTA DEL VIEJO
CONCLUSIÓN
• LA UTILIZAD DE MACHINE LEARNING ES INFINITA
• AUNQUE PAREZCA COMPLEJO, ES MÁS SENCILLO QUE IMPLEMENTACIONES
TRADICIONALES
• GRAN VARIERDAD DE SISTEMAS DE MACHINE LEARNING
• ADAPTACIÓN AUTOMÁTICA A LOS CAMBIOS