Aprendizaje Automático

Aprendizaje Automático

1. Aprendizaje supervisado

   • Conjunto de datos que están etiquetados, con esto el algoritmo va aprendiendo y clasifica
     • Ejemplos
       • Redes neuronales artificiales (RNA)
         • Funcionan como el cerebro, haciendo conexiones con distintas capaz
       • Árboles de decisión
         • Similar a un diagrama de flujo, donde cada nodo representa una variable específica y cada rama es el resultado de una prueba.
       • Regresión logística
         • Estima relaciones entre las variables y es útil para la predicción y el pronóstico

2. Aprendizaje no supervisado

   • No tienen ninguna clasificación, sin embargo, los datos poseen características similares entre si, que hace que el algoritmo aprenda de eso
     • Ejemplos
       • K-medias
         • Divide un conjunto de datos en grupos similares en función de la distancia entre sus centroides.
       • Agrupamiento jerárquico
         • Funciona mediante la búsqueda de grupos dentro de los datos, representados con la variable K, según las características proporcionadas
       • Mapas auto organizados
         • Son zonas en las que la red tiene nodos con pesos que coinciden con vectores de entrenamiento, el resto de nodos de su entorno tienden a aproximarse también a ese mismo vector.

3. Aprendizaje por refuerzo

   • Se entiende como un modelo de acción-recompensa, así el algoritmo se va ajustando dependiendo su ambiente. También entendido como conductual
     • Ejemplos
       • Programación dinámica
         • Los problemas se resuelven del más pequeño al más grande, lo que permite reutilizar las soluciones
       • Aprendizaje Q
         • Basado en la idea de aprendizaje mediante ensayo y error.
       • SARSA
         • Explica una serie de eventos durante el proceso de aprendizaje

Images and files in the map