Aprendizaje Automático / Machine Learning

Aprendizaje Automático / Machine Learning

1. Definición y Fundamentos:

   • Subdisciplina de la IA que desarrolla algoritmos capaces de aprender patrones a partir de datos para hacer predicciones
     • No solo se basa en acumulacion de datos, sino también en el uso de estos para mejorar sus resultados futuros
       • Su principal ventaja es la adaptabilidad que posee, esta misma es una diferencia clave con la programación tradicional
         • Una de sus principales limitaciones es la dependencia de grandes cantidades de datos de calidad y el riesgo de aprender patrones no éticos

2. Tipos de aprendizaje automático

   • Supervisado
     • Se reciben conjuntos de datos etiquetados, es decir, recibe entradas y salidas
       • El modelo aprende a relacionar entradas con salidas y de esta forma puede realizar futuras predicciones
       • Con una mayor cantidad de datos se puede mejorar la capacidad de predicción del modelo
   • No supervisado
     • Se reciben datos sin ningún tipo de etiquetas y el modelo tiene que identificar patrones por si solo
     • Se usa en contextos exploratorios, por ejemplo, para detectar estructuras normales de datos o anomalías en los mismos
   • Por refuerzo
     • El modelo va aprendiendo por un sistema de prueba y error
       • Toma decisiones, analiza las consecuencias y recibe una recompensa o penalización para poder adaptar su comportamiento
       • Se usa en sistemas de toma de decisiones secuenciales, especialmente en juegos como el ajedrez, el Go, entre otros

3. Componentes de un sistema de ML

   • Datos:
     • Materia prima, alimentan a los algoritmos para detectar patrones, establecer relaciones y aprender reglas
     • Existen diferentes tipos:
       • Estructurados: Bases de datos tabulares
       • Semiestructurados: Archivos .JSON o .XML
       • No estructurados: Imágenes, videos, textos
   • Modelo:
     • Es la parte mas esencial del sistema, es una representación matemática o computacional que transforma las entradas en salidas
       • Clasificación según naturaleza o funcionalidad
         • Naturaleza: lineales, no lineales, probabilísticos, neuronales
         • Funcionalidad: clasificación, regresión, clustering, entre otros.
     • Intenta aprender un patrón con los datos de entrenamiento que pueda aplicarse a nueva información
   • Función de pérdida
     • Componente crítico que mide el error del modelo (que tan eficiente es)
       • Error Cuadrático Medio (MSE): Para problemas de regresión
       • Entropía Cruzada (cross-entropy): Para problemas de clasificación
       • Hinge Loss: Para modelos de margen como las Maquinas de Soporte Vectorial
   • Algoritmo de entrenamiento
     • Se usa para ajustar las configuraciones del modelo y minimizar la función de pérdida
       • Permite que el modelo aprenda de los datos mediante múltiples iteraciones (épocas)
         • Descenso del gradiente: Técnica de optimización fundamental
         • Backpropagation: Utilizado en redes neuronales para propagar el error hacia atrás y actualizar los pasos
         • Algoritmos genéticos: Métodos evolutivos
   • Evaluación del Modelo:
     • Se la realiza con un conjunto diferente de datos al usado en el entrenamiento
       • Las métricas usadas son:
         • Precisión
         • Precisión y sensibilidad
         • F1-Score
         • Área bajo la curva

4. Ciclo de vida del modelo: (Ingresar al QR)

5. Modelos y Algoritmos Comunes: (Ingresar al QR)

6. Aplicaciones Reales

   • Salud
     • Ayuda a la detección de enfermedades de manera más rápida y precisa
   • Educación
     • Aplicaciones de aprendizaje adaptativo para mostrar contenido según el nivel del estudiante
   • Agricultura
     • Detección de plagas y predicciones de rendimiento de la cosecha o los mejores momentos para sembrar
   • Seguridad
     • Reconocimiento facial, detección de comportamientos sospechosos en cámaras, prevención de ataques cibernéticos

7. Herramientas y Plataformas

   • El lenguaje de programación más usado es Python debido a su simplicidad y las librerías a disposición
     • También se usan Java, R o Julia con menos frecuencia
     • Librerías y Frameworks de Python:
       • Scikit-learn: Para regresíon, árboles de decisión, SVM's, etc.
       • Pandas y NumPy: Para manejo de tablas y datos
     • Entornos de Desarrollo:
       • Google Colab: Versión on-line de Jupyter, permite usar recursos de GPU gratuitamente
     • Plataformas de entrenamiento y despliegue
       • Microsoft Azure Machine Learning: Herramienta de desarrollo, entrenamiento y administración de modelos con GUI
     • Herramientas de AutoML
       • Automatizan el entrenamiento de modelos
       • H2O.ai AutoML
       • Google AutoML
       • MLJAR
     • Recursos educativos y comunidades
       • Kaggle
         • Comunidad con datasets, cursos y competencias
       • GitHub
         • Repositorios de códigos, proyectos, notebooks y modelos

Images and files in the map