Page 2 - Aprendizaje Supervisado

Laboraatorio Innteligenncia Arttificial ee
Interneet de lass Cosass

datos, aunque en los casos reaales no siemppre
es así.
Es unn algoritmo mmuy simple yy rápido por lo
que es una buena alteernativa (paara
experrimentar) en los casos doonde existe un Á Árboles de Decisión
gran vvolumen de ddatos. Loos árboles de decisión consisten en la
Un eejemplo de uso es la cclasificación de applicación de reglas (que se aprenden en el
correos, donde este algoritmo ayuda a enntrenamientoo) para ir segmentanddo el
identiificar los corrreos spam. esspacio de las variables preedictoras y dde esta
foorma ir constrruyendo el árrbol.
El proceso paara la creacióón del árbol es un
K-NeearestNeighhbors (KNN) prroceso recurssivo y puede ser utilizadoo tanto
El alggoritmo de veecinos más cercanos es ottro paara problemmas de clasifficación commo de
algoriitmo supervvisado que para realizzar reegresión.
clasifificaciones uutiliza el concepto de Este algoritmoo es uno de los más utiliizados
proximidad. Si bbien es un algoritmo qque deentro de la raama de la inteeligencia artifficial y
puedee ser utilizaado tanto een clasificación ammpliamente uutilizado en la disciplina de la
comoo en regresiónn su uso prinncipal se enfooca m minería de datos debido a su fácil
en problemas de cclasificación. innterpretación.. Debido aa lo anterioor, el
El fuuncionamientoo de KNN ees muy simpple, reesultado obteenido es muyy fácil de exxplicar,
en el entrenamiennto el algoritmmo procesa llos assí como tammbién, de vissualizar y obbservar
datos creando gruupos basados en la similituud, cóómo se ha llegga al resultaddo.
al lleggar un nuevo dato, el algooritmo calculaará En un árbol dee decisión, caada hoja representa
la prooximidad conn los grupos yy en función de unn valor objettivo, pudienddo ser una cclase o
esto rresponderá la clasificacióón asignada. Es unn valor.
importante destaccar que su ffuncionamiennto
es muuy similar al algoritmo dee agrupamiennto
(custeering) en apprendizaje noo supervisaddo, Bibliografía
pero la diferencia consiste en qque en KNNN el
entrennamiento se realiza con datos y classes Baagnato, J. (2020). AAprende Maachine
conoccidas mientraas que en aggrupamiento se Leearning. Teoría + Prácticca Python. Aggencia
descoonoce las claases o el signnificado de llos deel ISBN en EEspaña.
datos.
Brreimann, L., Friedman, J. H., Olshen, R. A.
y Stone, C. J. ((1984). Classifification and reggression
Máquuinas de vecctores de sopporte (SVM)) treees. Chapmann and Hall.
Las mmáquinas de vectores de soporte fueron
presentadas en 1995 e iniciallmente estabban Cortes, C. y Vapnik, V. (1995). Suppport-
diseñadas para resolver pproblemas de veector networrks. Machine learning, 20(33), pp.
clasifificación binarria, aunque posteriormennte 2773-297
evoluucionaron paara resolver problemas de
regressión. G Géron, A. (20119). Aprendee Machine Leaarning
El fuuncionamientto de las SVVM consiste en coon Scikit-Leearn, Kerass y TensorrFlow.
establlecer un límmite de decissión donde llos Conceptos, hherramientas y técnicas para
casos nuevos se posicionan en las classes coonseguir sisteemas inteligenntes. O’Reillyy.
aproppiadas con ciierta facilidadd, a este límmite
de deecisión se lo ddenomina hipperplano.
Su uso abarcaa desde pproblemas de Sccikitlearn. (s. f.). 1.9. Naïvee Bayes.
reconnocimiento dde patrones, cclasificación de htttps://scikitaarn.org/stablee/modules/nnaive_
imágeenes entre muuchos otros. baayes.html
La pprincipal venntaja de esttos algoritmmos
radicaa en su caapacidad parra trabajar en
espaccios de alta diimensionalidaad y cuando llos
datos no son separables linealmmente.