Please enable JavaScript.
Coggle requires JavaScript to display documents.
Clasificación Inteligencia Artifiicial - Coggle Diagram
Clasificación Inteligencia Artifiicial
Machine Learning
Rama de la IA que se basa en programas computacionales que automáticamente mejoran su rendimiento en una tarea determinada con la experiencia
(Aprende en base a la experiencia)
Tipos
(
Según el objetivo
del análisis de los datos)
Aprendizaje no supervisado
Se descubren patrones o tendencias en los datos
Detección de anomalías
Buscar anomalías, observando las que menos se parecen en un conjunto de datos sin etiquetar. Ejm. Fraudes bancarios, ataques, redes
Agrupamiento o clustering
Dividir los datos de entrada en grupos con características similares.
¿Hay patrones?
Aprendizaje por refuerzo
Aprendizaje profundo
Aprendizaje semisupervisado
Aprendizaje supervisado
Se predicen un dato en base a otros datos conocidos
Regresión
Predice un valor continuo para una variable. Numérico
Regresión Lineal
Variable independiente
Características de nuestros datos con las que queremos jugar para conseguir predicciones.
Llamado tambien variables explicativas
Variable dependiente
Es esa que queremos predecir, la variable objetivo o variable respuesta
Usos
Predecir ingresos anuales de una persona en base a su nivel educativo, ingresos y lugar en el que vive.
Predecir el rendimiento de una granja de maíz conocidos los datos como rendimientos de años anteriores, el tiempo y el número de trabajadores de la granja.
Predecir el coste médico de una persona en base a su edad, peso, género, fumador, hijos..
Predecir la evolución del precio de la vivienda.
Permite contestar
:
¿Existe una relación entre 2 variables?
¿Cómo de fuerte es una relación?
¿Qué variable contribuye más?
¿Con qué precisión podemos estimar el efecto de cada variable?
¿Con qué precisión podemos predecir el objetivo?
¿Es lineal la relación?
Definición Regresión lineal simple
La regresión lineal simple, considera una única variable independiente que pretende explicar una variable dependiente o una variable respuesta.
Ecuación
Para estimar los parámetros Bo y B1 se utilizará el algoritmo de mínimos cuadrados
Mínimos cuadrados, quiere minimizar la distancia del punto a la recta
1 more item...
Clasificación
Predice una clase para un elemento. Etiquetas
Etapas
Definición del problema
Recogida de datos
3. Creación del modelo
Generalizar situaciones de futuro en función de los datos observados
Fases
3.2. Predicción
Una vez entrando, se hace la predicción aplicando ese algoritmo de ML
Se usa otro subconjunto de datos, diferentes a los datos entrenados, para que prediga. (se compara para ver si está aprendiendo o no)
3.1. Entrenamiento
Extrae las características, variables, fictures más relevantes de los datos; aplicamos un algoritmo de ML
Se entrena con un subconjunto de datos para que aprenda de ellos
3.3. Datos de Validación (opcional)
Hold-out
(técnica que consiste en dividir el dataset en dos grupos: 1 subgrupos para entrenar, otro subgrupo para testear)
Consideraciones
Deben estar distribuidas de igual manera (de los diferentes tipos que hay en el dataset)
Se distribuye aprox 70% y 30%
Evaluación
Es necesario evaluar el modelo, saber si lo está haciendo bien
Cross-Validation
Métricas para saber cuánto es capaz de aprender nuestro modelo.
Técnica conocida como K-Fold, donde k indica el número de conjuntos posibles.
se usa un k de 5 o 10, en más de 10 no obtiene mejores resultados.
Puesta a producción
Algoritmos de ML
Redes Neuronales
Regresión Lineal
Regresión lineal simple
Regresión lineal compuesta
Árboles de decisión
Modelos estadísticos
Agrupamiento o clustering
Reglas de asociación
Etapas