Page 2 - Aprendizaje automático

Laboraatorio Innteligenncia Arttificial ee
Interneet de lass Cosass

seleccionandoo los eleementos m más A Algunas applicaciones de aprenndizaje
immportantes yy los que ggenerar mayyor auutomático sonn:
conocimiento sobre la estructura de llos
d datos.  Biometría y sistemas dde reconocimmiento
 RReglas de associación: Iddentificar regglas facial.
q que describann grandes poorciones de llos  Traducción
d datos, como sser clientes quue compran un  Reconocimmiento autommático del habbla.
p producto y lueego tienden aa comprar otrro.  Medicina een diagnósticcos médicos.

 Procesamiiento de lengguaje natural ((PLN)
para entenndimiento de textos.
El apprendizaje poor refuerzo es una rama ddel  Anticipación de fallos een maquinariias.
aprenndizaje autommático dondde un agennte,  Visión artiificial.
mediaante un proceso iterativvo, debe tommar  Robótica, domótica, etc.
decisiiones para maaximizar su oobjetivo.  Cibersegurridad paraa detecciónn de

La prrincipal diferrencia con eel resto de las programass maliciosos.
ramass del aprendizzaje automátiico es que enn el  Predicciónn de conductaas de los usuaarios.
aprenndizaje por refuerzo ell agente deebe  En el sisteema bancarioo para detecciión de
interaactuar directaamente con su entorno de fraudes.
formaa tal de poder ajustar lass estrategias en
funcióón de las connsecuencias dde sus accionees.

El eleemento principal en el aaprendizaje ppor Bibliografía
refuerrzo es el aagente, y allgunas de ssus
caractterísticas prinncipales son: G Géron, A. (20119). Aprendee Machine Leaarning

 AAutonomía: Debe ser caapaz de operrar coon Scikit-Leearn, Kerass y TensorrFlow.
siin intervencióón humana ddirecta. Conceptos, hherramientas y técnicas para
 PPercepción: Necesita sser capaz de coonseguir sisteemas inteligenntes. O’Reillyy.
o obtener informmación del enntorno. M Mirjalili, V., Raschka, SS. (2019). PPython
 AAcción: Tieene que ser capaz de M Machine Learnning. Aprenddizaje automáático y
innteractuar con el entorno apprendizaje pprofundo con Python, scikit-
 OObjetivo: Deebe disponer de un criterrio learn y TensorrFlow. Marcoombo.
d de éxito claroo, recompensas por logross y M Müller, A. C. yy Guido, S. (22016). Introduuction
castigos por faallos.
too machine leaarning with PPython: a guide for
daata scientists. O'Reilly Media, Inc.

Existeen distintos tipos de ageentes los cuaales Szzepesvári, C. (2022). Algorithmss for
se preesentan a conntinuación: reiinforcement learrning. Springeernature.
V Van Der Poost, H. y SSmith, M. ((2023).
 RReactivos: LLas decisionnes se tomman U Unsupervised MMachine Learrning: with PPython.
b basados únicaamente en la percepción ddel
entorno Reactive Publishing.
 BBasados enn modeloss: Modela el
entorno para tomarr decisionnes
innformadas.
 BBasados en objetivos: SSus acciones se
reealizan para conseguuir objetivvos
específicos.
 BBasados en utilidad: Laas decisiones se
tooman con el objetivo de maximizar uuna
fu función especcífica (ej. priooridades simppes
o o múltiples)