Uso Aprendizaje Supervisado y No Supervisado

1. Aprendizaje Automático
como apoyo dentro de
las Investigaciones
Sociales
Presentado por: Roxana Martínez Sánchez
EXPERTO EN INTELIGENCIA ARTIFICIAL

2. APRENDIZAJE
AUTOMÁTICO
Se basa en técnicas que
permiten a los sistemas aprender
a partir de datos:
✓ Aprendizaje supervisado
✓ Aprendizaje no supervisado

3. Aprendizaje Supervisado
Predecir valores
numéricos (por
ejemplo, precio de
una casa).
Regresión
Categorizar datos en
diferentes clases
(por ejemplo, spam
vs. no spam)
Clasificación
Precisión
Clasificación
Eficiencia
Ventajas
Identificar patrones
inusuales en los
datos.
Detección de Anomalías
Se entrena un modelo utilizando un conjunto de datos
etiquetados

4. Aprendizaje no supervisado
Exploración de Datos
Ayuda a comprender la
estructura oculta en los datos.
Escalabilidad
Puede manejar grandes
volúmenes de datos sin
etiquetas.
Descubrimiento de Patrones
Revela información valiosa sin
guía previa.
CLUSTERING
Agrupar datos similares.
Ejemplo: segmentar clientes en
grupos según sus hábitos de
compra.
• REDUCCIÓN
DIMENSIONALIDAD
Simplificar datos manteniendo
su estructura. Útil para
visualización y análisis.
ASOCIACIÓN
Descubrir relaciones entre
variables. Por ejemplo,
encontrar productos que se
compran juntos.
CONTENTS
TITLE
DETECCIÓN DE ANOMALIAS
Identificar datos atípicos en
sistemas de seguridad o
detección de fraudes.

5. Su aplicación permite descubrir
patrones y conceptos clave en
conjuntos de datos voluminosos y
complejos
Aplicación
Aprendizaje
Automático en
Análisis de Texto

6. Aplicación en Análisis de Texto
.
Definición Propósito
Investigación
1
Uso Aprendizaje No
Supervisado generar
etiquetas
3
Uso Aprendizaje
Supervisado con
etiquetas para
categorizer la
información
4
Desarrollo de teorías
y hallazgos
5
Selección
Herramientas
Análisis
2

7. En Análisis de
Texto en
Investigación
Social
Aprendizaje
Automático
Permite que se enriquezca la investigación, al
poder analizar una gran cantidad de textos de
manera más rápida, pudiendo generar más
categorías que con sólo el trabajo del
investigador.
Sin embargo, la experiencia y conocimiento del
investigador son indispensables para poder
determinar y revisar las etiquetas que emerjan o
se agreguen para que los algoritmos den
resultados confiables.