APRENDIZAJE AUTOMATICO

El aprendizaje automático es una técnica de análisis de datos que enseña

a los ordenadores a hacer lo que resulta natural para las personas y los
animales: aprender de la experiencia. Los algoritmos de aprendizaje
automático emplean métodos de cálculo para “aprender” información
directamente de los datos sin depender de una ecuación predeterminada
como modelo. Los algoritmos mejoran su rendimiento de forma
adaptativa a medida que aumenta el número de muestras disponibles
para el aprendizaje.

El aprendizaje automático se refiere al proceso por el cual los ordenadores

desarrollan el reconocimiento de patrones o la capacidad de aprender
continuamente y hacer predicciones basadas en datos, tras lo cual
realizan ajustes sin haber sido programados específicamente para ello.
Como una forma de inteligencia artificial, el aprendizaje automático
automatiza el proceso de creación de modelos analíticos y permite que las
máquinas se adapten a nuevas situaciones de manera independiente.

1.1. Modelos Predictivos

Un modelo predictivo es un mecanismo que predice el comportamiento de

un individuo. Utiliza las características del individuo como entrada y
proporciona una calificación predictiva como salida. Cuanto más elevada
es la calificación, más alta es la probabilidad de que el individuo exhiba
el comportamiento predicho.
1.2. Tipos de Aprendizaje

A. Aprendizaje Supervisado

El aprendizaje automático supervisado crea un modelo que realiza

predicciones en función de las pruebas en presencia de una
incertidumbre. Un algoritmo de aprendizaje supervisado toma un
conjunto conocido de datos de entrada y respuestas conocidas para estos
datos (salidas) y entrena un modelo con objeto de generar predicciones
razonables como respuesta a datos nuevos. Utilice el aprendizaje
supervisado si tiene datos conocidos para la salida que está intentando
predecir.

Usándola, se entrena al algoritmo otorgándole las preguntas,

denominadas características, y las respuestas, denominadas etiquetas.
Esto se hace con la finalidad de que el algoritmo las combine y pueda
hacer predicciones.

A.1. Existen, a su vez, dos tipos de aprendizaje supervisado:

 Regresión: tiene como resultado un número específico. Si las

etiquetas suelen ser un valor numérico, mediante las variables de
las características, se pueden obtener dígitos como dato resultante.

Predicen respuestas continuas; por ejemplo, cambios de

temperatura o fluctuaciones en la demanda energética. Las
aplicaciones más habituales son la predicción de la carga eléctrica
y el trading algorítmico.
 Clasificación: en este tipo, el algoritmo encuentra diferentes
patrones y tiene por objetivo clasificar los elementos en
diferentes grupos.

Predicen respuestas discretas; por ejemplo, si un correo electrónico

es legítimo o es spam, o bien si un tumor es cancerígeno o benigno.
Los modelos de clasificación organizan los datos de entrada en
categorías. Las aplicaciones más habituales son las imágenes
médicas, el reconocimiento de voz y la calificación crediticia.

El algoritmo no está en
capacidad de determinar
a qué grupo pertenece un
valor o cuál es el
resultado de una
operación. Solamente
logra relacionar
características con
etiquetas y así obtener un
resultado.
B. Aprendizaje No Supervisado

A diferencia del aprendizaje supervisado, en el no supervisado solo

se le otorgan las características, sin proporcionarle al algoritmo
ninguna etiqueta. Su función es la agrupación, por lo que el
algoritmo debería catalogar por similitud y poder crear grupos, sin
tener la capacidad de definir cómo es cada individualidad de cada
uno de los integrantes del grupo.

El aprendizaje no supervisado halla patrones ocultos o estructuras

intrínsecas en los datos. Se emplea para inferir información a
partir de conjuntos de datos que constan de datos de entrada sin
respuestas etiquetadas.

B.1. Existen, a su vez, un tipo de aprendizaje no supervisado:

 El clustering es la técnica de aprendizaje no supervisado más

común. Se emplea para el análisis de datos exploratorio, con objeto
de encontrar patrones o agrupaciones ocultos en los datos. Entre
las aplicaciones del análisis de clusters están el análisis de
secuencias genéticas, la investigación de mercados y el
reconocimiento de objetos.
1.3. Directrices para elegir entre el aprendizaje automático
supervisado y no supervisado:

 Elija el aprendizaje supervisado si necesita entrenar un modelo

para realizar una predicción; por ejemplo, el valor futuro de una
variable continua (como la temperatura o el precio de una acción)
o una clasificación (por ejemplo, identificar marcas de coches a
partir de vídeo de una webcam).

 Elija el aprendizaje no supervisado si necesita explorar sus datos

y desea entrenar un modelo para localizar una buena
representación interna, como la división de datos en clusters.

1.4. Algoritmos de Aprendizaje

A. Los algoritmos más utilizados en Aprendizaje Supervisado son:

 Regression Lineal
 Regresión logística
 Máquinas de vectores de soporte
 Árboles de decisión y bosque aleatorio
 Redes neuronales
 Aprendizaje profundo

B. Los algoritmos más importantes de Aprendizaje No supervisado

son:

 Clustering K-Means
 Análisis de componentes principals
 Análisis de componentes independientes
 Detección de anomalías
1.5. Aplicaciones de Aprendizaje Supervisado

 El reconocimiento óptico de caracteres

 Spam detección
 Reconocimiento de patrones
 De reconocimiento de voz
 Reconocimiento de escritura
 Recuperación de información

1.6. Aplicaciones de Aprendizaje Supervisado

 Segmentación de Audiencia
 Análisis de redes sociales
 Organización clúster informáticos

1.7. Metodología Básica

Pre Proceso de
Datos sin procesar entrenamiento
procesamiento

Predicciones

1.8. Herramientas para el aprendizaje automático

Herramientas sin licencia Herramientas de compra

 Python  Minitab
 Jupyter  Matlab
 Julia  SAS
 RapidMiner  IBM