EXAMEN DE MICROSOFT WORD

OFIMATICA I
1. COMPLETA (6 PTOS):

T W O D A L C E T
V B I N I D A A M
C M O N I T O R C
E N U O D N I A P
M X E S U O M E U
M A C D R O W P T
O D R E N A C S E
R E T O L P R A C
Tabla 1: Crucigrama Hardware y Software
 APRENDIZAJE AUTOMÁTICO
l aprendizaje automático o aprendizaje automatizado o
aprendizaje de máquinas (del inglés, "Machine
Learning") es el subcampo de las ciencias de la
computación y una rama de la inteligencia artificial,
cuyo objetivo es desarrollar técnicas que permitan que las
computadoras aprendan. De forma más concreta, se trata de
crear programas capaces de generalizar comportamientos a
partir de una información suministrada en forma de ejemplos.

Es, por lo tanto, un proceso de inducción del

conocimiento. En muchas ocasiones el campo de actuación del
aprendizaje automático se solapa con el de la estadística
computacional, ya que las dos disciplinas se basan en el análisis
de datos. Sin embargo, el aprendizaje automático también se
centra en el estudio de la complejidad computacional de los
problemas. Muchos problemas son de clase NP-hard, por lo que
gran parte de la investigación realizada en aprendizaje
automático está enfocada al diseño de soluciones factibles a esos
problemas. El aprendizaje automático puede ser visto como un
intento de automatizar algunas partes del método científico
mediante métodos matemáticos.
El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo
motores de búsqueda, diagnósticos médicos, detección de fraude en
el uso de tarjetas de crédito, análisis del mercado de valores,
clasificación de secuencias de ADN, reconocimiento del habla y del
lenguaje escrito, juegos y robótica.

Figura 1: Machine Learning

Aprendizaje automático
 Aprendizaje automático
1. RESUMEN
Algunos sistemas de aprendizaje automático intentan
eliminar toda necesidad de intuición o conocimiento
experto de los procesos de análisis de datos, mientras
otros tratan de establecer un marco de colaboración
entre el experto y la computadora. De todas formas, la
1.1. Modelos
El aprendizaje automático tiene como resultado un modelo para resolver una tarea dada. Entre los modelos se distinguen
1. Según (Tornero Lucas, 2017) : “Los modelos geométricos,
construidos en el espacio de instancias y que pueden tener una,
dos o múltiples dimensiones. Si hay un borde de decisión lineal
entre las clases, se dice que los datos son linealmente separables”
(pág. 25). Un límite de decisión lineal se define como w * x = t,
donde w es un vector perpendicular al límite de decisión, x es un
punto arbitrario en el límite de decisión y t es el umbral de la
decisión.
2. TIPOS DE ALGORITMOS
3. TÉCNICAS DE CLASIFICACIÓN
3.1 Árboles de decisiones
3.1.1.1. Algoritmos genéticos
3.1.1.1.1. Redes neuronales artificiales
intuición humana no puede ser reemplazad en su
totalidad, ya que el diseñador del sistema ha de
especificar la forma de representación de los datos y
los métodos de manipulación y caracterización de los
mismos.
2. (Oviedo Bayas, 2016) Nos aclara: “Los modelos probabilísticos,
que intentan determinar la distribución de probabilidades
descriptora de la función que enlaza a los valores de las
características con valores determinados” (pág. 6).
Uno de los conceptos claves para desarrollar modelos
probabilísticos es la estadística bayesiana1.
3. Los modelos lógicos, que transforman y expresan las
probabilidades en reglas organizadas en forma de árboles de
decisión.