Machine Learning

Machine Learning

1. Ingenieria de caracteristicas

   • Exploración de datos
     • 1977 john tukey 1998 Big Data
     • Herramientas
       • SPSS
       • Orange 3 *
         • https://orange.biolab.si/
       • Tableau
       • Weca
     • Proceso
       • 1. Preparar los datos
       • 2. Realizar un examen gráfico
         • Visualización de datos
           • Diagramas de distribución
           • Diagrama de cajas
       • 3. Análisis descriptivo numérico
         •  - con interrelaciones entre características 
       • 4. Identificar outliers
       • 5. Generar hipótesis
     • Selección de caracteristicas - Feature Selection
       • - El objetivo es reducir la incertidumbre - Reducir la dimensionalidad de mi problema original
       • Técnicas
         • Coeficiente de varianza
           • - Si el coeficiente es muy pequeño, casi no sirve pues el comportamiento es muy constante
         • Coeficiente de correlación Pearson / Spearman
         • Métodos de envoltura
           • Hacia adelante
             • Combinatoria de todas las caracteristicas, para quedarse con las que mejor funcionan. Es un proceso costoso por lo que se recomienda para un número reducido de caracteristicas.
           • Hacia atras
             • Inicia con la combinatoria de todas las características y va eliminando en cada iteración, para verificar el score.
         • Eliminación por árboles de decisión
           • - Las preguntas van eliminando posibilidades. - Las caraceristicas mas importantes estan en las primeros nodos
         • Métodos embebidos
           • Regularización de Lasso
     • Métricas
       • ACC - Accuracy
       • TPR
       • PPV
       • TNR
       • Error Estandar
       • Error cuadrático
       • Information Retrieval
         • Precicón
         • Exhaustividad
         • RAnking
     • PCA - Análisis de componentes principales
       • Reducción de componentes Se usan con las dimensiones con mayor varianza
       • pasos
         • Estandarizar datos
         • RE-orientar la data
         • Clacular la covarianza
     • Validación
       • Overfitting
       • Underfitting
       • Cross validation
         • Requiere dataset medianos
       • Bootstrap
         • VAriación de Cross Validation pero se tienen menos datos. Por lo que se pueden repetir datos en los folds
       • Train / Test Split

2. Clasificación

   • Supervisado
     • Clasificación
       • Support Vector Machine - SVM
       • Naive Bayes
         • Usado en procesamiento de texto. La propabilidad de que un caso pertenezca a una clase dada la evidencia P (A]B) Facil de implmentar Se puede usar con pocos datos asume que las variables son independientes
         • Tipos de variables - Categoricas - Multinomiales - Continuas
         • Independencia de variables
         • Probabilidad a Priori
         • Tipos de variables
           • Categóricas
           • Multinomiales
           • Continuas
         • Likelihood
         • Usos
           • Predicción en tiempo real
           • Predicción multiclase
           • Procesamientode texto
       • Redes Neuronales
         • Perceptron
     • Regresión
       • Regresión Lineal
       • Arboles de decisión
         • Gráfica y analítica Divide y vencerás Fácil de interpretar
         • Nodo de decisión
           • No terminal
         • Nodo de probabilidad
         • Rama
   • No Supervisado
     • Agrupamiento
       • No se conocen las clases de salida
       • Redes Neuronales