Introducción al Machine Learning 2

Principalmente dos tipos de atributos:

1) numéricos o continuos y 2) discretos o categóricos.

1. 2. Atributos numéricos o continuos: Tiene números reales o enteros como valores de atributo. Ejemplos: temperatura, altura, peso, etc.

a. Los atributos continuos se representan como variables de punto flotante en el computador.

Atributos discretos o categóricos: tiene un conjunto finito de valores o categorías. Ejemplos: sexo, estado civil, país, comuna, etc..

a. Nota: los atributos binarios son un caso especial de atributos discretos con dos categorías.

• No todos los algoritmos de ML puedan trabajar con estos dos tipos de atributos.

• A veces tenemos que hacer transformaciones antes de pasar los datos a nuestro algoritmo.

Dentro del ML existen diferentes técnicas que cubren diferentes tipos de aplicaciones, por ejemplo: los  árboles de decisión, los modelos de regresión, los modelos de clasificación, las técnicas de clustering y

muchas otras.

Sin embargo, la técnica que ha dado fama al campo del ML durante la última década ha sido las redes neuronales artificiales, las cuales se estudian con mayor detalle, ya que serán fundamentales para el desarrollo del trabajo.

Lo interesante de las redes neuronales es que son capaces de aprender de forma jerarquizada; la información se aprende por niveles, donde las primeras capas se centran en conceptos muy concretos y las capas posteriores usan la información adquirida previamente para comprender conceptos más abstractos. Esto hace que a medida que añadimos más capas, la informacón que se aprende es cada vez más abstractas e interesante.

No hay límite de capas y la tendencia es añadir más capas a estos algoritmos, convirtiéndose en algoritmos más complejos. Este incremento en el número de capas y en la complejidad es lo que hace que estos algoritmos sean conocidos como algoritmos de Deep learning, un concepto que se ha puesto muy de moda en los últimos años.

¿Cómo Funciona el Machine Learning?

El Machine Learning se basa en algoritmos que procesan datos, identifican patrones y hacen predicciones. Su funcionamiento se puede resumir en los siguientes pasos:

1. Recolección de Datos

   • Se recopilan grandes volúmenes de datos estructurados y no estructurados.
   • Ejemplo: Imágenes, texto, transacciones bancarias, datos de sensores, etc.

2. Preprocesamiento de Datos

   • Se limpian los datos, eliminando información irrelevante o errores.
   • Se convierten los datos en formatos utilizables para los algoritmos.

3. Selección del Modelo y Entrenamiento

   • Se elige un algoritmo adecuado dependiendo del problema (supervisado, no supervisado, etc.).
   • Se «entrena» el modelo con datos históricos para que aprenda patrones.

4. Evaluación del Modelo

   • Se mide la precisión y el rendimiento del modelo con datos de prueba.
   • Se ajustan parámetros para mejorar la precisión.

5. Predicción y Uso del Modelo

   • Una vez entrenado, el modelo puede hacer predicciones con datos nuevos.

Tipos de Machine Learning

1. Aprendizaje Supervisado

El modelo aprende con datos etiquetados (entrada y salida conocida).

• Ejemplo: Clasificación de correos electrónicos en spam o no spam.
• Algoritmos comunes:
  • Regresión Lineal
  • Árboles de Decisión
  • Redes Neuronales

2. Aprendizaje No Supervisado

El modelo encuentra patrones en datos sin etiquetas ni categorías predefinidas.

• Ejemplo: Agrupación de clientes según comportamiento de compra.
• Algoritmos comunes:
  • Clustering (K-means, DBSCAN)
  • Análisis de Componentes Principales (PCA)

3. Aprendizaje por Refuerzo

El modelo aprende mediante prueba y error, recibiendo recompensas o castigos.

• Ejemplo: Un robot que aprende a caminar.
• Algoritmos comunes:
  • Q-Learning
  • Deep Q Networks (DQN)