Machine Learning

Machine Learning

1. Los tres grupos de algoritmos

   • Supervised learning
     • subdividen según el tipo de datos que manejan
       • Discretos
         • Información cualitativa.
         • Algoritmo Clasificación
           • Cuando el valor de salida pertenece a un conjunto discreto y finito,
           • Algoritmo árbol de decisión
             • clasificar elementos a partir de una serie de variables.
           • Algoritmo de Naive Bayes
             • Este algoritmo, a partir de unos elementos ya conocidos, es capaz de clasificar un nuevo elemento sin saber a qué grupo pertenece
           • ALgoritmo de regresión ordinaria por mínimos cuadrados.
             • Este algoritmo trata de estimar los valores que no se conocen
           • Regresión Logística
           • Support Vector Machines (SVM)
           • Métodos “Ensemble” (Conjuntos de clasificadores)
       • Continuo
         • Información cuantitativa/numérica.
         • Algoritmo Regresión
           • Cuando el valor de salida es un número continuo, por ejemplo, una probabilidad,
           • Regresión lineal
           • Regresión polinomeal
           • Vectores de soporte regresión
           • Arboles de decisión regresión
           • Bosques aleatorios regresión
     • Dependiendo del tipo de salida, tenemos dos subtipos de aprendizaje supervisado:
   • Unsupervised learning
     • subdividen según el tipo de datos que manejan
       • Continuos
         • Información cuantitativa/numérica.
           • Algoritmo Reducción de Dimensión
       • Discretos
         • Información cualitativa.
           • Algoritmo Agrupamiento (Clustering)
             • Estos algoritmos se utilizan para agrupar de forma conjunta los elementos que más parecido tengan entre sí
             • Algoritmos basados en centroides (Centroid-based algorithms)
             • Algoritmos basados en densidad (Density-based algorithms)
             • algoritmos basados en conectividad (Connectivity-based algorithms)
             • probabilísticos (Probabilistic)
             • reductores de dimensionalidad (Dimensionality Reduction)
             • redes neuronales (Neural networks)
   • Reinforcement learning
     • El objetivo es construir un modelo con un agente que mejora su rendimiento, basándose en la recompensa obtenida del entorno con cada interacción que se realiza. La recompensa es una medida de lo correcta que ha sido una acción para obtener un objetivo determinado. El agente utiliza esta recompensa para ajustar su comportamiento futuro, con el objetivo de obtener la recompensa máxima.

2. Qué algoritmo de aprendizaje automático debería usar?

   • Depende del tamaño de los datos
   • Depende de la calidad de los datos
   • Depende de la naturaleza de los datos
   • Depende de qué desea hacer con la respuesta
   • Depende del tiempo de que disponga
   • Depende de cómo se hayan traducido los cálculos del algoritmo en instrucciones para el equipo que está usando

3. Consideraciones al elegir un algoritmo

   • Precisión
   • Tiempo de entrenamiento
   • Linealidad
     • Límite de clase no lineal
     • Datos con tendencia no lineal
   • Cantidad de parámetros
   • Cantidad de características
   • Casos especiales

4. Tipos de algoritmos del machine learning

   • Algoritmos de regresión
   • Algoritmos bayesianos
   • Algoritmos de agrupación
   • Algoritmos de árbol de decisión
   • Algoritmos de redes neuronales
   • Algoritmos de reducción de dimensión
   • Algoritmos de Aprendizaje Profundo