MACHINE LEARNING

MACHINE LEARNING

1. ¿Qué es?

   • Es una forma de la IA que permite a un sistema aprender de los datos en lugar de aprender mediante la programación explícita. Identifica patrones complejos en millones de datos
     • ¿Qué lenguajes de programación se usan para Machine Learning?
       • PYTHON, R , C ++ , JavaScript , Java, C # , Julia, Shell , TypeScript y Scala
         • Python, es el mejor lenguaje para poner en práctica Machine Learning
           • Algunas librerías indispensables para implementar flujos de Machine Learning en python son: Panda, Numpy, SciPy, Matplotlib
             • Pandas es un popular paquete de Python para la ciencia de datos y Machine Learning

2. Enfoques hacia el machine learning

   • Existen diferentes enfoques basados en el tipo y volumen de los datos
     • APRENDIZAJE NO SUPERVISADO: Se utiliza cuando el problema requiere una cantidad masiva de datos sin etiquetar. Lleva a cabo un proceso iterativo, analizando los datos sin intervención humana, Ejemplos: Snapchat, Instagram, Twitter
       • K-Means es un algoritmo no supervisado de Clustering. Se utiliza cuando tenemos un montón de datos sin etiquetar.
     • APRENDIZAJE SUPERVISADO: El aprendizaje supervisado comienza típicamente con un conjunto establecido de datos y una cierta comprensión de cómo se clasifican estos datos. El aprendizaje supervisado tiene la intención de encontrar patrones en datos que se pueden aplicar a un proceso de analítica.
       • La regresión lineal es un algoritmo de aprendizaje supervisado que se utiliza en Machine Learning y en estadística. También es un algoritmo de aprendizaje automático supervisado más antiguo, simple y ampliamente utilizado para el análisis predictivo. Esta se divide en en regresión lineal SIMPLE y regresión lineal COMPUESTA
         • REGRESIÓN LINEAL SIMPLE: Este método usa una sola variable independiente para predecir una variable dependiente ajustando una mejor relación lineal.
         • REGRESIÓN LINEAL MULTIPLE O COMPUESTA: es muy parecida a la simple, pero acá se manejan múltiples variables independientes que contribuyen a la variable dependiente. Se manejan múltiples coeficientes y a su vez es computacionalmente más compleja debido a las variables añadidas.
       • En el campo de la inteligencia artificial y el aprendizaje automático una matriz de confusión es una herramienta que permite visualizar el desempeño de un algoritmo de aprendizaje supervisado.
         • LA MATRIZ DE CONFUSIÓN de un problema de clase n es una matríz nxnen la que las filas se nombran según las clases reales y las columnas, según las clases previstas por el modelo.
       • Son conceptos del machine learning supervisado la clasificación y la prediccióm
         • Un sistema de CLASIFICACIÓN predice una categoría, mientras que una regresión predice un número.
           • Cuando necesitamos evaluar el rendimiento en clasificación, podemos usar las métricas de precision, recall, F1, accuracy y la matriz de confusión.
         • El proceso de predicción se inicia con un análisis de qué características o patrones tienen los correos ya marcados con ambas etiquetas.

3. Se diferencia con la IA

   • El objetivo de la IA es crear un sistema informático inteligente como los humanos para resolver problemas complejos, mientras que el del aprendizaje automático es permitir que las máquinas aprendan de los datos para que puedan dar resultados precisos.

4. Al crear modelos computacionales compuestos por varias capas de procesamiento, las redes pueden crear varios niveles de abstracción que representen los datos. Para poder realizar esto, Las redes de aprendizaje profundo aprenden mediante la detección de estructuras complejas en los datos que reciben

   • El aprendizaje profundo es un elemento importante de la ciencia de datos, que incluye estadísticas y modelos predictivos.

5. Alrededor del 70% de los problemas de Machine Learning se puede resolver con técnicas de clasificación.

   • Para procesar grandes volúmenes datos y solventar problemas, se utiliza de los ARBOLES DE DESICIÓN
     • Los árboles de decisión son algoritmos estadísticos o técnicas de machine learning que nos permiten la construcción de modelos predictivos de analítica de datos para el Big Data basados en su clasificación según ciertas características o propiedades, o en la regresión mediante la relación entre distintas variables para predecir el valor de otra.
   • El método de REGRESIÓN LOGISTICA es un método estadístico que se usa para resolver problemas de clasificación binaria, donde el resultado solo puede ser de naturaleza dicotómica, o sea, solo puede tomar dos valores posibles. Por ejemplo, se puede utilizar para detectar la probabilidad que ocurra un evento.

6. APLICACIONES DE MACHINE LEARNING

   • Algunas de las mejores aplicaciones de machine learning son : En el sector financiero, Asistencia virtual, Mejores comunicaciones, Salud y medicina, Desplazamientos y viajes más eficientes, Marketing, publicidad y redes sociales

7. Los algoritmos de Machine Learning aprenden de los datos con los que los entrenamos. A partir de ellos, intentan encontrar o inferir el patrón que les permita predecir el resultado para un nuevo caso.

   • . Por ello, en todo proceso de aprendizaje automático, los datos de trabajo se dividen en dos partes: datos de entrenamiento y datos de prueba o test.
     • LOS DATOS DE ENTRENAMIENTO: on los datos que usamos para entrenar un modelo. La calidad de nuestro modelo de aprendizaje automático va a ser directamente proporcional a la calidad de los datos.
     • DATOS DE PRUEBA: son los datos que nos “reservamos” para comprobar si el modelo que hemos generado a partir de los datos de entrenamiento “funciona”. Es decir, si las respuestas predichas por el modelo para un caso totalmente nuevo son acertadas o no.

8. PRESENTADO POR CAROLINA ZULUAGA ACUÑA