Aprendizaje Automático (Machine Learning)

Aprendizaje Automático (Machine Learning)

1. Concepto

   • es una rama de la Inteligencia Artificial que permite que las computadoras
     • aprendan a partir de datos
     • identifiquen patrones
     • realicen predicciones
     • tomen decisiones sin necesidad de ser programadas explícitamente para cada situación.

2. Características

   • Utiliza datos para aprender.
   • Identifica patrones.
   • Realiza predicciones o clasificaciones.
   • Mejora su rendimiento con más datos y experiencia.
   • Automatiza procesos de análisis y toma de decisiones.

3. Aprendizaje Supervisado

   • utiliza datos que ya tienen una respuesta conocida o una etiqueta.
     • Características
       • Utiliza datos etiquetados.
       • Tiene una variable de entrada y una respuesta esperada
       • Permite realizar predicciones.
       • Requiere un proceso de entrenamiento.
       • Se utiliza para clasificación y regresión.
     • Tipos
       • Clasificación
         • Predice una categoría.
       • Regresión
         • Predice un valor numérico.

4. Aprendizaje No Supervisado

   • trabaja con datos que no tienen etiquetas o respuestas previamente conocidas.
     • Características
       • Utiliza datos no etiquetados.
       • No existe una respuesta correcta previamente definida.
       • Descubre patrones ocultos.
       • Agrupa datos similares.
       • Permite explorar grandes cantidades de información.
     • Principales aplicaciones
       • Segmentación de clientes.
       • Detección de comportamientos anormales.
       • Agrupación de documentos.
       • Análisis de patrones de consumo.

5. Diferencias

   • supervisado
     • Datos Etiquetados
     • Objetivo: Predecir una respuesta
     • Resultado: Conocido durante el entrenamiento
     • Intervención humana: Mayor
   • no supervisado
     • Datos No Etiquetados
     • Objetivo: Encontrar patrones
     • Resultado: Descubierto por el algoritmo
     • Intervención humana: Menor

6. Principales algoritmos utilizados

   • Supervisado
     • Regresión lineal
       • Predice valores numéricos a partir de la relación entre variables.
     • Regresión logística
       • Se utiliza principalmente para clasificación.
     • Árboles de decisión
       • Utilizan decisiones basadas en condiciones.
     • Random Forest
       • Combina varios árboles de decisión para obtener predicciones más precisas
     • Máquinas de vectores de soporte — SVM
       • Busca la mejor separación entre diferentes categorías de datos.
     • K-Nearest Neighbors — KNN
       • Clasifica un elemento según los elementos más similares que se encuentran cerca.
   • No Supervisado
     • K-Means
       • Agrupa los datos en un número determinado de grupos o clusters.
     • Clustering jerárquico
       • Organiza los datos en una estructura jerárquica de grupos.
     • DBSCAN
       • Agrupa datos según su densidad y puede identificar valores atípicos.
     • PCA — Análisis de Componentes Principales
       • Reduce la cantidad de variables manteniendo la información más importante.

7. Aplicaciones en problemas reales

   • supervisado
     • Sector financiero
       • Detección de fraudes. Evaluación de créditos. Predicción de riesgos. Predicción de precios.
     • Medicina
       • Diagnóstico de enfermedades. Análisis de imágenes médicas. Predicción de riesgos para pacientes.
     • Correo electrónico
       • Clasificación de mensajes como spam o no spam.
     • Transporte
       • Predicción de demanda. Sistemas de conducción asistida. Estimación de tiempos de llegada.
     • Comercio electrónico
       • Recomendación de productos. Predicción de ventas. Clasificación de clientes.
   • no supervisado
     • Segmentación de clientes
       • Agrupa clientes según sus hábitos de compra.
     • Detección de anomalías
       • Identifica transacciones o comportamientos diferentes a los habituales.
     • Análisis de datos
       • Permite descubrir relaciones que no eran evidentes.
     • Clasificación de documentos
       • Agrupa documentos según temas o características similares.
     • Recomendación de contenido
       • Puede identificar grupos de usuarios con preferencias similares.