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