El documento proporciona una visión general del aprendizaje automático (machine learning), destacando su definición, tipos de aprendizaje (supervisado, no supervisado y reforzado) y sus aplicaciones. El aprendizaje supervisado se basa en datos etiquetados para hacer predicciones, el no supervisado no requiere etiquetas y busca patrones en los datos, mientras que el reforzado se centra en la toma de decisiones para maximizar resultados. Además, se menciona software relevante y el ecosistema del machine learning en relación con la ciencia de datos.

1. Machine
Learning

2. Definición del ML
Tipos de Aprendizaje Automático
Aprendizaje Supervisado
Aprendizaje No Supervisado
Aprendizaje Reforzado
Software de ML
Ecosistema del ML
Índice
1
2
3
4
5
6
7

3. Google Trends…

4. Definición del ML
1

5. En 1959, el científico de la
IBM Arthur Samuel escribió
un programa para jugar
damas, para mejorarlo hizo
que el programa jugara
consigo mismo miles de
veces, el programa era capaz
de mejorar su rendimiento a
través de la experiencia, el
programa aprendió y nació el
Machine Learning.

6. El aprendizaje automático o
Machine Learning es un
método científico que nos
permite usar los ordenadores
y otros dispositivos con
capacidad computacional
para que aprendan a extraer
los patrones y relaciones que
hay en nuestros datos por sí
solos. Esos patrones se
pueden usar luego para
predecir comportamientos
y en la toma de decisiones.

7. El Aprendizaje Automático es un
campo en la Inteligencia Artificial,
donde las máquinas pueden
"aprender" de sí mismas, sin ser
explícitamente programadas por
los seres humanos. Analizando
datos pasados llamados "datos de
entrenamiento", el modelo de
Aprendizaje Automático forma
patrones y usa estos patrones
para aprender y hacer
predicciones futuras.

8. "Se dice que un programa de computadora
aprende de la experiencia E con respecto a
alguna clase de tareas T y la medida de
rendimiento P, si su rendimiento en tareas en
T, medido por P, mejora con la experiencia E.
“
Mitchell, 1997

9. Machine
Learning
Estadística
Visualización
Economía
Bases de
Datos
Procesamiento
de Señales
Ingeniería
Biología

10. Tipos de Aprendizaje
Automático
2

11. Aprendizaje
Supervisado
• Modelos
Predictivos.
• La máquina
aprende
explícitamente.
• Predice el futuro a
partir de datos
históricos.
• Resuelve
problemas de
clasificación y
regresión.
Aprendizaje No
Supervisado
• Modelos
Descriptivos.
• La máquina
entiende los datos.
• La evaluación es
cualitativa o
indirecta.
• No realiza
predicciones,
encuentra algo
específico.
Aprendizaje
Reforzado
• Un enfoque de la
IA
• Aprendizaje
basado en los
hallazgos.
• La máquina
aprende a como
actuar en un
determinado
entorno.
• Maximiza los
hallazgos.

15. Dado un conjunto de datos
de entrenamiento: los
elementos, casos o instancias
En el aprendizaje no
supervisado, se aprende un
modelo a partir de un
conjunto de datos no
etiquetados.
En el aprendizaje
supervisado, se aprende un
modelo a partir de un
conjunto de datos
etiquetados.

16. Aprendizaje
Supervisado
3

17. En este tipo de aprendizaje, la máquina aprende de un
conjunto de casos previamente etiquetados por un experto
o de forma semi – automática basándose en los datos, es
decir, para un conjunto de datos de entrada conocemos de
antemano los datos correctos de salida. En el aprendizaje
supervisado, el objetivo es aprender una forma de mapear
las entradas en salidas, cuyos valores correctos son
proporcionados por un supervisor.

19. Característica
2
Característica 1
Clasificación

20. Característica
2
Característica 1
Límite de la decisión
Clasificación

21. Clasificación

22. Clasificación no lineal
Algoritmos: SVM, árboles de decisión, redes neuronales,
K – nearest neighbors, naive bayes, entre otros.

23. Regresión

24. Regresión

25. Regresión

26. Regresión
Algoritmos: Regresión Lineal, Regresión Logística.

27. Aplicaciones
• Reconocimiento de Voz.
• Detección de fraude en tarjetas de crédito.
• Detectar SPAM en un correo.
• Predicciones de la bolsa de valores.
• Detección de enfermedades.

28. Aprendizaje No
Supervisado
4

29. El aprendizaje no supervisado es aquél que no requiere de
ningún etiquetado previo de los casos, se basa en los
datos tal y como los recibe y su objetivo es determinar
relaciones de similitud, diferencia o asociación. En el
aprendizaje no supervisado para un conjunto de datos de
entrada, no conocemos de antemano los datos de salida.
El objetivo del aprendizaje no supervisado es encontrar las
regularidades o patrones en la entrada.

31. Clústering
Se buscan aquellos elementos que son similares entre sí y
distintas de las demás para formar agrupaciones de los
datos llamadas clusters.

32. Clústering

33. Algoritmos: K-means, gaussian mixtures, clustering
jerárquico, spectral clustering, entre otros.
Clústering

34. Reducción de la Dimensionalidad
Se trata de reducir el número de variables de una
colección de datos, a partir de técnicas de asociación,
correlación, consistencia en variables de tipo continúo.

35. Aplicaciones

37. Aprendizaje Reforzado
5

38. En algunas aplicaciones, la salida del sistema es una
secuencia de acciones. En tal caso, una sola acción no es
importante; lo importante es la política que es la secuencia
de acciones correctas para alcanzar la meta, es decir, una
acción es buena si es parte de una buena política. En tal
caso, el programa de aprendizaje automático debe ser
capaz de evaluar la bondad de las políticas y aprender de
secuencias de buenas acciones pasadas para poder
generar una política.

41. Algoritmos
• Programación dinámica.
• Qlearning.
• SARSA.
Aplicaciones
• Aprender a jugar diferentes Juegos.
• El sistema de navegación de un robot, por ejemplo,
coches autónomos.
• Compresión de imágenes.

42. Software de ML
6

43. GNU - GPL
Licencia Código
Abierto BSD
GNU - GPL

44. WEKA
• Está disponible libremente bajo la licencia GNU – GPL.
• Es muy portable, implementado en Java y puede correr
en casi cualquier plataforma.
• Es fácil de utilizar por un principiante gracias a
su interfaz gráfica de usuario.
• Weka soporta varias tareas estándar de minería de
datos, especialmente, preprocesamiento de
datos, clustering, clasificación, regresión, visualización,
y selección.

45. R
• R es un sistema para análisis estadísticos y gráficos.
• R tiene una naturaleza doble de programa y lenguaje
de programación.
• R se distribuye gratuitamente bajo los términos de la
GNU – GPL.
• R es un lenguaje Orientado a Objetos, interpretado,
con una sintaxis muy simple e intuitiva.
• R no es tan fácil de aprender como Python.

46. PYTHON
• Es software libre y gratuito con licencia BSD.
• Es multiplataforma, es un lenguaje de programación de
alto nivel e interpretado, es multiparadigma.
• Su filosofía de diseño enfatiza la simplicidad y
legibilidad de código.
• Posee un núcleo de lenguaje relativamente pequeño,
con el apoyo de magníficas librerías como: NumPy,
SciPy, Scikit-learn, Pandas, IPython, Matplotlib y otras.

48. Anaconda® es un administrador de paquetes, un
administrador de entornos, una distribución de Python y
una colección de más de 1,000 paquetes de código
abierto. Es de código abierto y fácil de instalar, y ofrece
soporte gratuito a través de su comunidad.

51. Ecosistema del ML
8

53. La Inteligencia Artificial es la ciencia de construir máquinas que…
… piensen como
humanos
… actúen como
humanos
… piensen
racionalmente
… actúen
racionalmente
Inteligencia
Artificial

55. Big Data

56. Crecimiento
exponencial
de datos
Frecuencia a
la que se
genera los
datos
Diferentes
formatos y
estructuras
de los datos
Exactitud de
los datos y
del cálculo

57. La ciencia de datos (Data Science) es la ciencia
computacional de la extracción de conocimientos
significativos a partir de datos brutos y luego la
comunicación efectiva de esos conocimientos para generar
valor. (Pierson, 2017)
Data
Science

58. Lo que la sociedad piensa
que hago
Lo que mis amigos
piensan que hago
Lo que mis familiares
piensan que hago
Lo que otros programadores
piensan que hago
Lo que yo pienso que
hago
Lo que realmente hago