Introduce el texto aquí

Introduce el texto aquí

1. Consiste en automatizar, mediante distintos algoritmos, la identificación de patrones o tendencias que se “esconden” en los datos.

   • Un algoritmo es una serie de pasos ordenados que se dan para realizar una tarea

2. Objetivo

   • Crear un modelo que nos permita resolver una tarea dada. Luego se entrena el modelo usando gran cantidad de datos.
     • Luego se entrena el modelo usando gran cantidad de datos.
       • El modelo aprende de estos datos es capaz de hacer predicciones

3. Concepto

4. ALGORITMO

   • Definir el problema (retención de cliente)
     • Definir el objetivo

5. Tipos de implementación de machine Learning

   • Aprendizaje supervisado
     • Problemas de clasificación (identificación de dígitos, diagnósticos, o detección de fraude de identidad). Problemas de regresión (predicciones meteorológicas, de expectativa de vida, de crecimiento etc).
     • Árboles de decisión. Clasificación de Naïve Bayes. Regresión por mínimos cuadrados. Regresión Logística. Support Vector Machines (SVM). Métodos “Ensemble” (Conjuntos de clasificadores).
   • Aprendizaje no supervisado
     • se suele usar en: Problemas de clustering Agrupamientos de co-ocurrencias Perfilado o profiling.
     • Los tipos de algoritmo más habituales en aprendizaje no supervisado son: 1. Algoritmos de clustering 2. Análisis de componentes principales 3. Descomposición en valores singulares (singular value decomposition) 4. Análisis de componentes principales (Independent Component Analysis)
   • Aprendizaje de refuerzo según la naturaleza de los datos que recibe
     • mejorar la respuesta del modelo usando un proceso de retroalimentación.