Machine Learning

Machine Learning

1. Aprendizaje supervisado

   • Permite al algoritmo aprender a partir de datos previamente etiquetados.
     • Regresión Lineal
       • Modelo estadístico que permite modelar o describir la relación entre una variable continua dependiente y una variable independiente. Es un modelo que ayuda a predecir un valor.
         • Regresión Lineal Multiple
           • Permite modelar o describir la relación entre un set de variables independiente y una variable continua independiente
     • Regresión Logistica
       • Técnica estadística multivariante que nos permite estimar la relación existente entre una variable dependiente no métrica, en particular dicotómica, y un conjunto de variables independientes métricas o no métricas.
         • Matriz de confusión
           • Herramienta que permite visualizar el desempeño de un modelo. Cada columna de la matriz representa el número de predicciones de cada clase, mientras que cada fila representa a las instancias en la clase real.
           • Precisión
             • Podemos medir la calidad del modelo de machine learning en tareas de clasificación
           • Exhaustividad
             • Nos va a informar sobre la cantidad que el modelo de machine learning es capaz de identificar.
           • Exactitud
             • Mide el porcentaje de casos que el modelo ha acertado.
   • Árboles de desición
     • Forma gráfica y analítica de representar sucesos y posibilidades

2. Aprendizaje no supervisado

   • El algoritmo aprende de datos sin etiquetas, es decir encuentra similitudes y relaciones, agrupando y clasificando los datos.
   • KMeans
     • Crea K grupos a partir de un conjunto de observaciones, los elementos deben tener similitudes
     • Trata información que no tiene etiquetas asignadas. Agrupa información basada en sus características. K = centroides. Aproximación a K: método del codo

3. Capacidad de un algoritmo de adquirir conocimiento a partir de los datos recolectados para mejorar, describir y predecir resultados

4. Aprendizaje profundo

   • Se refiere a los algoritmos inspirados en la estructura y función del cerebro llamados redes neuronales artificiales. Capaces de procesar amplios volúmenes de datos.

5. Ciencia de Datos

   • Inteligencia Artifical
     • Es un área multidisciplinaria que estudia la creación y diseño de sistemas capaces de resolver problemas por si mismas
   • Es un campo interdisciplinario que involucra métodos científicos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas
   • Lenguajes de programación
     • Python
       • Librerias
         • Pandas,
         • Scikitlearn
         • Numpy
     • R

6. Aplicaciones

   • Seguridad de datos: puede predecir qué archivos son malware con gran precisión.
   • Cuidado de la salud: procesar más información y detectar más patrones, también se puede utilizar para advertir los factores de riesgo de enfermedad en poblaciones grandes.
   • Comercio financiero: predecir y ejecutar operaciones de gran volumen a altas velocidades.

7. Métricas

   • Sobreajunte
     • Obligar al algoritmo a que se ajuste demasiado a todos los datos posibles.
   • Subajuste
     • Suministrar al modelo un conjunto de datos pequeño o insuficiente.

8. Predicción

   • Agrupa técnicas estadísticas de modelización, aprendizaje automático y minería de datos que analiza los datos actuales e históricos reales para hacer predicciones acerca del futuro o acontecimientos no conocidos.
     • Clasificación
       • Existen algoritmos que se definen como “clasificadores” y que identifican a qué conjunto de categorías pertenecen los datos. Para entrenar estos algoritmos
         • Es importante comprender el problema que se quiere solucionar o que es lo que se quiere aplicar.
         • Obtener un conjunto de datos para entrenar el modelo (datos de entrenamiento).
         • Obtener un conjunto de datos para probar el modelo (datos de prueba).