Page 1 - Aprendizaje automático

Laboraatorio Innteligenncia Arttificial ee

Interneet de lass Cosass

A Aprendizzaje Auutomáticco

D Dr.Miguel Roojas – mrojaas@ude.edu..uy
A/S DDiego Noguueira –dnoguueira@ude.eedu.uy

El apprendizaje auttomático es uuna rama dee la este tipo de algoritmoo son: Clasifificar si
inteliggencia artificiial donde los algoritmos son un correoo electrónicoo es spam o no,
capacces de apreender autommáticamente en enfermedaades médicas, reconocimmiento
funcióón de los dattos proporcioonados. facial, textto, etc.

Dentrro del aprenndizaje automático existten
tres ggrandes ramaas: aprendizaaje supervisaddo,
aprenndizaje no suppervisado y aaprendizaje ppor El aprendizajee no supervissado se caraccteriza
refuerrzo. enn que dentroo de los dattos de entrada no
exxiste un conjuunto de ejemmplos en el qque los
El apprendizaje suppervisado, coomo su nombbre alggoritmos puuedan basarrse para obbtener
indicaa,se basa en ejemplos coonocidos y ppor paatrones. El sistema debbe ser capaaz de
consigguiente se hhace de forrma guiada (o apprender sin nningún tipo dde guía, por llo que
superrvisada) esstos algoritmmos son capaaces de “enteender”
caada elemennto en bassándose enn sus

caaracterísticas.
Algunnos conceptoos claves en el aprendizaaje
superrvisado:
A Algunos conceptos claves en el aprenndizaje
 DDatos etiquuetados: El conjunto de noo supervisadoo:
d datos utilizadoo para entrennar contiene no
solo las entraadas, sino quue también las Característicaa: Es una paarticularidad de un
saalidas esperaadas, a esto sse le denomiina elemento.
d datos etiquetaados. Clúster: Son llos elementos de un gruppo que
 EEntrenamiennto: Es la eetapa donde el coomparten unna cierta caaracterística yy por
m modelo es capaz de aprender llos coonsiguiente see agrupan en el mismo gruupo.
p patrones presentes en eel conjunto de
d datos en función dee los dattos Centroide: Ess el centro deel grupo.
etiquetados.
 PPredicción: EEs la fase doonde el modeelo D Dimensionaliidad: Es la cantidadd de
caaracterísticas presentes een el conjunnto de
es utilizado ppara nuevas ppredicciones en daatos.
b base a nuevoss datos
 EEvaluación: Es el mommento donde el M Métrica de ddistancia: Ess una medidda que
m modelo es evaaluado para mmedir la caliddad inndica la similittud entre doss elementos.
d del aprendizaje.

D Dentro de loss algoritmos de aprendizaaje no
Dentrro del aprenddizaje supervvisado podemmos suupervisado poodemos destaacar:
destaccar los siguientes tipos:
 Detecciónn de anommalías: Idenntificar
 RRegresión: SSon problemmas donde la
v variable a ppredecir es una variabble aquellos eelementos quue en base a sus
característiticas son inusuales en relacción al
cuantitativa (numéricaa). Algunnos
ejemplos de estos algorritmos son: la resto de llos elementoos del conjunnto de
p predicción dee precios dee automóvilles, datos.
teemperaturas, consumo de energgía,  Agrupación: Reunir elementos que
tiiempos de enntrega, etc. compartenn ciertas carracterísticas een un
 CClasificaciónn: Estos allgoritmos son mismo gruupo o cluster..
capaces de prredecir la etiqqueta según llos  Reduccióón de dimensionaalidad:
r
d datos de entrrada. Algunoos ejemplos de Simplificar la complejiidad de los datos,