UNIVERSIDAD TCNICA DE BABAHOYO

FACULTAD DE ADMINISTRACIN, FINANZAS E INFORMTICA

CARRERA INGENIERA EN SISTEMAS

MACHINE LEARNING

INTEGRANTES:

KELVIN JOEL CHICO SUAREZ

DOCENTE:

NARCISA CRESPO

MATERIA:

BASE DEL CONOCIMIENTO I

PERIODO ACADEMICO:

SEPTIEMBRE-MARZO 2018
 Trabajo en Clases

Fecha de Entrega: 20-11-2017

Fecha de Envo: 20-11-2017

Machine Learning

El aprendizaje automtico o aprendizaje de mquinas (del ingls, "Machine Learning")

es el subcampo de las ciencias de la computacin y una rama de la inteligencia artificial cuyo

objetivo es desarrollar tcnicas que permitan a las computadoras aprender. De forma ms

concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una

informacin suministrada en forma de ejemplos. Es, por lo tanto, un proceso de induccin del

conocimiento. En muchas ocasiones el campo de actuacin del aprendizaje automtico se

solapa con el de la estadstica computacional, ya que las dos disciplinas se basan en el

anlisis de datos. Sin embargo, el aprendizaje automtico tambin 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 investigacin realizada en aprendizaje automtico est enfocada al

diseo de soluciones factibles a esos problemas. El aprendizaje automtico puede ser visto

como un intento de automatizar algunas partes del mtodo cientfico mediante mtodos

matemticos.

El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo motores de

bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de tarjetas de crdito, anlisis

del mercado de valores, clasificacin de secuencias de ADN, reconocimiento del habla y del

lenguaje escrito, juegos y robtica.

Ejemplo donde se Aplica Machine Learning

 El feed de noticias de Facebook utiliza el aprendizaje automtico (Machine Learning) para

personalizar el feed de cada miembro. Si un miembro detiene frecuentemente su

desplazamiento para leer o "gustar" de las publicaciones de un amigo en particular, el feed de

noticias empezar a mostrar ms actividad de ese amigo antes en el feed. Detrs del teln, el

software simplemente utiliza anlisis estadstico y anlisis predictivo para identificar patrones

en los datos del usuario, y utilizar patrones para rellenar el feed de noticias. En caso de que el

miembro ya no detenga para leer, gustar o comentar sobre los mensajes del amigo, esos nuevos

datos se incluirn en el conjunto de datos y el feed de noticias se ajustar en consecuencia.

Tipos de Aprendizaje de Machine Learning

Los diferentes algoritmos de Aprendizaje Automtico se agrupan en una taxonoma en

funcin de la salida de los mismos. Algunos tipos de algoritmos son:

Aprendizaje supervisado

El algoritmo produce una funcin que establece una correspondencia entre las entradas y

las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema

de clasificacin, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de

vectores utilizando una entre varias categoras (clases). La base de conocimiento del sistema

est formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a

ser muy til en problemas de investigacin biolgica, biologa

computacional y bioinformtica.

Aprendizaje no supervisado

Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan

slo por entradas al sistema. No se tiene informacin sobre las categoras de esos ejemplos.

Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder

etiquetar las nuevas entradas.

 Aprendizaje semisupervisado

Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de

manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.

Aprendizaje por refuerzo

El algoritmo aprende observando el mundo que le rodea. Su informacin de entrada es

el feedback o retroalimentacin que obtiene del mundo exterior como respuesta a sus

acciones. Por lo tanto, el sistema aprende a base de ensayo-error.

Transduccin

Similar al aprendizaje supervisado, pero no construye de forma explcita una funcin.

Trata de predecir las categoras de los futuros ejemplos basndose en los ejemplos de entrada,

sus respectivas categoras y los ejemplos nuevos al sistema.

Aprendizaje multi-tarea

Mtodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de

cara a enfrentarse a problemas parecidos a los ya vistos.

Mtodos de Machine Learning

Arboles de decisin: Probablemente el mtodo ms conocido para resolver problemas de

clasificacin Muy asociado a nuestra forma de proceder Uno de los primeros desarrollos en

ML.
 Reglas de asociacin

Los algoritmos de reglas de asociacin procuran descubrir relaciones interesantes entre

variables. Entre los mtodos ms conocidos se hallan el algoritmo a priori, el algoritmo Eclat
y el algoritmo de Patrn Frecuente.
Algoritmos genticos

Los algoritmos genticos son procesos de bsqueda heurstica que simulan la seleccin
natural. Usan mtodos tales como la mutacin y el cruzamiento para generar nuevas clases
que puedan ofrecer una buena solucin a un problema dado.
Redes neuronales artificiales

Las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje automtico

inspirado en las neuronas de los sistemas nerviosos de los animales. Se trata de un sistema de
enlaces de neuronas que colaboran entre s para producir un estmulo de salida. Las
conexiones tienen pesos numricos que se adaptan segn la experiencia. De esta manera, las
redes neurales se adaptan a un impulso y son capaces de aprender. La importancia de las
redes neurales cay durante un tiempo con el desarrollo de los vectores de soporte y
clasificadores lineales, pero volvi a surgir a finales de la dcada de 2000 con la llegada
del aprendizaje profundo.
Mquinas de vectores de soporte

Las MVS son una serie de mtodos de aprendizaje supervisado usados para clasificacin y
regresin. Los algoritmos de MVS usan un conjunto de ejemplos de entrenamiento
clasificado en dos categoras para construir un modelo que prediga si un nuevo ejemplo
pertenece a una u otra de dichas categoras.
Algoritmos de agrupamiento

El anlisis por agrupamiento (clustering en ingls) es la clasificacin de observaciones en

subgrupos - clusters - para que las observaciones en cada grupo se asemejen entre s segn
ciertos criterios.
Las tcnicas de agrupamiento hacen inferencias diferentes sobre la estructura de los datos; se
guan usualmente por una medida de similaridad especfica y por un nivel de compactamiento
interno (similaridad entre los miembros de un grupo) y la separacin entre los diferentes
grupos.
El agrupamiento es un mtodo de aprendizaje no supervisado y es una tcnica muy popular
de anlisis estadstico de datos.
Redes bayesianas

Una red bayesiana, red de creencia o modelo acclico dirigido es un modelo probabilstico
que representa una serie de variables de azar y sus independencias condicionales a travs de
un grafo acclico dirigido. Una red bayesiana puede representar, por ejemplo, las relaciones
probabilsticas entre enfermedades y sntomas. Dados ciertos sntomas, la red puede usarse
para calcular las probabilidades de que ciertas enfermedades estn presentes en un
organismo. Hay algoritmos eficientes que infieren y aprenden usando este tipo de
representacin.

Tipos de conocimientos de Machine Learning

En el aprendizaje automtico podemos obtener 3 tipos de conocimiento, que son:

1. Crecimiento
Es el que se adquiere de lo que nos rodea, el cual guarda la informacin en la
memoria como si dejara huellas.
2. Reestructuracin
Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al
cual se le llama de reestructuracin.
3. Ajuste
Es el que se obtiene al generalizar varios conceptos o generando los propios.
Los tres tipos se efectan durante un proceso de aprendizaje automtico pero la
importancia de cada tipo de conocimiento depende de las caractersticas de lo que se est
tratando de aprender.
Referencias

http://www.ciudadblogger.com/2011/04/que-es-un-feed.html

http://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-automatico-machine-

learning

http://www.monografias.com/trabajos108/metodos-actuales-machine-learning/metodos-

actuales-machine-learning.shtml