Machine Learning

Machine Learning

1. Aprendizaje supervisado

   • Crea un modelo que realiza predicciones en función de las pruebas en presencia de una incertidumbre.
     • Se utiliza el aprendizaje supervisado si tiene datos conocidos para la salida que está intentando predecir
       • Técnicas de clasificación
         • Predicen respuestas discretas; por ejemplo, si un correo electrónico es legítimo o es spam
           • máquina de vectores de soporte (SVM), árboles de decisión boosted y bagged, k-vecino más cercano, clasificadores bayesianos (Naïve Bayes), análisis discriminante, regresión logística y redes neuronales.
       • Técnicas de regresión
         • Predicen respuestas continuas; por ejemplo, cambios de temperatura o fluctuaciones en la demanda energética
           • modelo lineal, modelo no lineal, regularización, regresión por pasos, árboles de decisión boosted y bagged, redes neuronales y aprendizaje neurodifuso adaptativo.

2. Aprendizaje no supervisado

   • Halla patrones ocultos o estructuras intrínsecas en los datos
     • Se emplea para inferir información a partir de conjuntos de datos que constan de datos de entrada sin respuestas etiquetadas
       • Clustering
         • Se emplea para el análisis de datos exploratorio, con objeto de encontrar patrones o agrupaciones ocultos en los datos.
           • k-means y k-medoids, clustering jerárquico, modelos de mezclas gaussianas, modelos de Markov ocultos, mapas autoorganizados, clustering difuso de c-means y clustering sustractivo.