Scribd
Cargar
29 vistas14 páginas

2 Fundamentos de Aprendizaje Automatico

Cargado por

Daniela
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
29 vistas14 páginas

2 Fundamentos de Aprendizaje Automatico

Cargado por

Daniela
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 14

Fundamentos de

de Aprendizaje
Automático
Exploraremos conceptos clave, tipos de aprendizaje y
algoritmos fundamentales. Prepárate para adentrarte en el
fascinante mundo de la inteligencia artificial y el análisis de
datos.
Introducción al Aprendizaje Automático

1 Definición 2 Importancia 3 Aplicaciones


El aprendizaje automático es Es fundamental en la era del Se utiliza en reconocimiento
una rama de la inteligencia Big Data, permitiendo procesar de voz, visión por computador,
artificial que permite a las grandes volúmenes de recomendaciones
máquinas aprender de los información de manera personalizadas y muchos otros
datos. eficiente. campos.
Tipos de Aprendizaje Automático
Supervisado No Supervisado Por Refuerzo
El modelo aprende de datos Trabaja con datos no El modelo aprende mediante
etiquetados. Se usa para etiquetados. Útil para descubrir prueba y error en un entorno
predicción y clasificación. patrones ocultos. dinámico.
Aprendizaje Supervisado
1 Datos Etiquetados
Se proporcionan ejemplos con respuestas conocidas para entrenar el modelo.

2 Entrenamiento
El modelo aprende a predecir resultados basándose en los datos de entrada.

3 Evaluación
Se mide la precisión del modelo utilizando datos de prueba.
Aprendizaje No Supervisado

Exploración de Datos
Descubre estructuras y patrones ocultos en datos no etiquetados.

Agrupamiento
Organiza datos similares en grupos o clusters.

Reducción de Dimensionalidad
Simplifica conjuntos de datos complejos manteniendo la
información esencial.
Aprendizaje por Refuerzo
Observación
El agente percibe el estado actual del entorno.

Acción
Elige y ejecuta una acción basada en su política actual.

Recompensa
Recibe una recompensa o penalización del entorno.

Aprendizaje
Actualiza su política para maximizar las recompensas futuras.
Regresión Lineal
1 Definición
Modelo que establece una relación lineal entre
variables independientes y dependientes.

2 Aplicación
Se utiliza para predecir valores numéricos continuos.

3 Ejemplo
Predecir el precio de una casa basándose en su
tamaño y ubicación.
Clasificación
Definición Tipos Algoritmos
Asigna datos de entrada a Binaria (dos clases) o multiclase Incluye árboles de decisión,
categorías predefinidas. (más de dos clases). SVM, y redes neuronales.
Agrupamiento (Clustering)
(Clustering)
1 Objetivo
Agrupar datos similares sin etiquetas previas.

2 K-Means
Algoritmo popular que divide los datos en K grupos.

3 Aplicaciones
Segmentación de clientes, análisis de imágenes, y
agrupación de documentos.
Árboles de Decisión

Estructura Funcionamiento Ventajas


Modelo en forma de árbol con Divide los datos basándose en Fácil interpretación y
nodos de decisión y hojas. características para tomar visualización del proceso de
decisiones. decisión.
Preprocesamiento de Datos
Datos
1 Limpieza
Eliminar datos incorrectos, incompletos o irrelevantes.

2 Transformación
Convertir datos a un formato adecuado para el análisis.

3 Selección de Características
Identificar las variables más relevantes para el modelo.
Evaluación del Rendimiento

Métrica Descripción Uso

Precisión Proporción de Clasificación


predicciones
correctas

Recall Proporción de Clasificación


positivos reales
identificados

F1-Score Media armónica de Clasificación


precisión y recall

MSE Error cuadrático Regresión


medio
Validación Cruzada
Definición
Técnica para evaluar modelos dividiendo los datos en subconjuntos.

K-Fold
Divide los datos en K partes, usando K-1 para entrenar y 1 para validar.

Ventajas
Reduce el sobreajuste y proporciona una evaluación más robusta del
modelo.
Encuentro Sincrónico

1 Objetivo
Aclarar dudas y profundizar en los contenidos del curso.

2 Formato
Sesión interactiva en línea con el instructor y
compañeros de clase.

3 Preparación
Revisa el material previo y prepara tus preguntas con
antelación.

También podría gustarte