Introducción al Aprendizaje Automático


DEFINICIÓN

El aprendizaje automático (también conocido como machine learning en inglés) es un subcampo de la inteligencia artificial (IA) que se ocupa del desarrollo de algoritmos y modelos que permiten a las computadoras aprender a realizar tareas sin ser programadas explícitamente para cada tarea específica. En lugar de seguir instrucciones programadas, los modelos de aprendizaje automático pueden mejorar su rendimiento a medida que se les proporciona más información y datos.


APRENDIZAJE SUPERVISADO Y NO SUPERVISADO

El aprendizaje supervisado y no supervisado son dos enfoques principales en el campo de la inteligencia artificial (IA)

a) Aprendizaje Supervisado:

    • Definición: En el aprendizaje supervisado, el algoritmo se entrena utilizando un conjunto de datos etiquetado, donde cada ejemplo en el conjunto de datos tiene una etiqueta o resultado conocido. Es decir, se proporciona al modelo un conjunto de ejemplos de entrada junto con sus correspondientes salidas deseadas.
    • Objetivo: El objetivo del modelo es aprender la relación entre las entradas y las salidas, de modo que pueda generalizar para hacer predicciones o clasificaciones en nuevos datos no vistos.
    • Ejemplo: Un ejemplo común es la clasificación de correos electrónicos como "spam" o "no spam". Se proporcionan ejemplos de correos electrónicos etiquetados como spam o no spam, y el modelo aprende a clasificar nuevos correos electrónicos en función de esa información.

  2. b) Aprendizaje No Supervisado:

    • Definición: En el aprendizaje no supervisado, el algoritmo se entrena utilizando un conjunto de datos no etiquetado, es decir, no se proporcionan salidas deseadas. El modelo debe descubrir patrones, estructuras o relaciones inherentes en los datos por sí mismo.
    • Objetivo: El objetivo principal del aprendizaje no supervisado es explorar la estructura subyacente de los datos, como la agrupación (clustering) o la reducción de dimensionalidad, sin la guía de etiquetas conocidas.
    • Ejemplo: Un ejemplo de aprendizaje no supervisado es el análisis de agrupamiento (clustering) donde el modelo intenta identificar grupos naturales en los datos sin saber de antemano las categorías a las que pertenecen.




Comentarios

Publicar un comentario

Entradas populares de este blog

K-Means

Imagen
K-MEANS (Aprendizaje No supervisado) El aprendizaje no supervisado, también conocido como machine learning no supervisado, utiliza algoritmos de machine learning para analizar y agrupar en clústeres conjuntos de datos sin etiquetar. Estos algoritmos descubren agrupaciones de datos o patrones ocultos sin necesidad de ninguna intervención humana. K-means es un algoritmo de clasificación no supervisada (clusterización) que agrupa objetos en k grupos basándose en sus características. El agrupamiento se realiza minimizando la suma de distancias entre cada objeto y el centroide de su grupo o cluster. Se suele usar la distancia cuadrática. EJEMPLO # Importar las bibliotecas necesarias import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # Crear un conjunto de datos de ejemplo data = {     'Años_Experiencia' : np.random.randint( 1 , 20 , 100 ),     'Nivel_Educativo' :
Leer más

Naive Bayes

Imagen
NAIVE BAYES (Aprendizaje supervisado) En un sentido amplio, los modelos de Naive Bayes son una clase especial de algoritmos de clasificación de Aprendizaje Automático, o Machine Learning, tal y como nos referiremos de ahora en adelante. Se basan en una técnica de clasificación estadística llamada “teorema de Bayes”. Naïve Bayes o el Ingenuo Bayes es uno de los algoritmos más simples y poderosos para la clasificación basado en el Teorema de Bayes con una suposición de independencia entre los predictores. Naive Bayes es fácil de construir y particularmente útil para conjuntos de datos muy grandes. EJEMPLO # Importar las bibliotecas necesarias import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score, confusion_matrix, classification_report # Crear un conjunto de datos de ejemplo data = {     'Años_Experiencia' : np.ran
Leer más

Regresión lineal

Imagen
REGRESIÓN LÍNEAL  (Aprendizaje supervisado) La regresión lineal se utiliza para identificar la relación entre una variable dependiente y una o más variables independientes, y normalmente se aprovecha para hacer predicciones sobre resultados futuros. Cuando solo hay una variable independiente y una variable dependiente, se conoce como regresión lineal simple. EJEMPLO # Importar las bibliotecas necesarias import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # Crear un conjunto de datos de ejemplo data = {     'Años_Experiencia' : np.random.randint( 1 , 20 , 100 ),     'Nivel_Educativo' : np.random.randint( 10 , 20 , 100 ),     'Edad' : np.random.randint( 20 , 60 , 100 ),     'Salario' : np.random.randint( 30000 , 80000 , 100 ) } df = pd.DataFrame(data) # Dividir los datos en conj
Leer más