Machine Learning

Machine Learning

1. Se define Como

   • Inteligencia Artificial
     • La inteligencia artificial es la habilidad de una máquina de presentar las mismas capacidades que los seres humanos, como el razonamiento, el aprendizaje, la creatividad y la capacidad de planear. La IA permite que los sistemas tecnológicos perciban su entorno, se relacionen con él, resuelvan problemas y actúen con un fin específico. La máquina recibe datos (ya preparados o recopilados a través de sus propios sensores, por ejemplo, una cámara), los procesa y responde a ellos.
   • Aprendizaje Autonómo
     • El aprendizaje automático (ML) es el subapartado de la inteligencia artificial (IA) que se centra en desarrollar sistemas que aprenden, o mejoran el rendimiento, en función de los datos que consumen. Inteligencia artificial es un término amplio que se refiere a sistemas o máquinas que imitan la inteligencia humana.
   • Aprendizaje Profundo
     • Aprendizaje profundo es un conjunto de algoritmos de aprendizaje automático que intenta modelar abstracciones de alto nivel en datos usando arquitecturas computacionales que admiten transformaciones no lineales múltiples e iterativas de datos expresados en forma matricial o tensorial.

2. Tipos de Machine Learning

   • Aprendizaje Supervisado
     • estos algoritmos cuentan con un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos que les permiten tomar decisiones o hacer predicciones.
   • Aprendizaje no supervisado
     • estos algoritmos no cuentan con un conocimiento previo. Se enfrentan al caos de datos con el objetivo de encontrar patrones que permitan organizarlos de alguna manera.
   • Aprendizaje por refuerzo
     • su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas.

3. Principales categorías

   • Clasificación y regresión
     • Son conceptos del machine learning supervisado. Un sistema de clasificación predice una categoría, mientras que una regresión predice un número.
   • Minería de datos
     • la minería de datos descubre patrones anteriormente desconocidos, el machine learning se usa para reproducir patrones conocidos y hacer predicciones basadas en los patrones.
   • Aprendizaje o entrenamiento
     • Es el proceso en el que se detectan los patrones de un conjunto de datos, es decir, es el corazón del machine learning.
   • Conjunto de datos
     • Es la materia prima del sistema de predicción. Es el histórico de datos que se usa para entrenar al sistema que detecta los patrones. El conjunto de datos se compone de instancias, y las instancias de factores, características o propiedades.
   • Característica, atributo, factor, propiedad o campo
     • Son los atributos que describen cada una de las instancias del conjunto de datos. Las denominaciones se usan indistintamente en función del autor y del contexto.
   • Objetivo
     • Es el atributo o factor que queremos predecir, el objetivo de la predicción, como puede ser la probabilidad de reingreso de un paciente tras una intervención quirúrgica
   • Ingeniería de factores
     • Se trata del proceso previo a la creación del modelo de predicción en el que se hace un análisis, limpieza y estructuración de los campos de los datos.
   • Modelo
     • Podemos asimilar un modelo a un filtro en el que entran datos nuevos y cuya salida es la clasificación de ese dato según los patrones que se han detectado en el entrenamiento.
   • Confianza
     • Es la probabilidad de acierto que calcula el sistema para cada una de las predicciones
   • Árbol de decisión
     • Es el esqueleto del modelo de predicción que se suele representar en modo gráfico como un árbol en el que las ramas constituyen los patrones reconocidos en el proceso de aprendizaje.

4. APLICACIONES PRÁCTICAS DEL 'MACHINE LEARNING'

   • Detección de rostro
     • muy utilizado actualmente en los móviles o apps como instagram, snapchat, aplicaciones de belleza o de organización de bancos de imágenes.
   • Anti-virus
     • Detectando software malicioso
   • Gmail
     • Para mantener al usuario protegido de virus y de recibir correos sospechosos o fraudulentos, la plataforma de email de Google integra el Machine Learning para evitar el correo no deseado (o spam) en la bandeja de entrada.
   • Snapchat
     • Snapchat puede entender donde colocar todas las características adicionales como la lengua del perro, el lápiz labial rojo o el sombrero de paja en la cara, entre otros efectos y filtros más.

5. Lenguajes de Programacion y Librerias Utilizadas

   • Python
     • Python es un lenguaje de alto nivel de programación interpretado cuya filosofía hace hincapié en la legibilidad de su código, se utiliza para desarrollar aplicaciones de todo tipo
   • R
     • R es un entorno y lenguaje de programación con un enfoque al análisis estadístico.
   • Pandas, Numpy, SciKit Learn,
     • scikit-learn es una librería de python para Machine Learning y Análisis de Datos. Está basada en NumPy, SciPy y Matplotlib. La ventajas principales de scikit-learn son su facilidad de uso y la gran cantidad de técnicas de aprendizaje automático que implementa.