Aprendizaje Automático (Supervisado y No supervisado)

Definición de Aprendizaje Automático

El aprendizaje automático o machine learning se encuadra como una disciplina de la inteligencia artificial.

El principal objetivo que busca es crear sistemas que sean capaces de aprender automáticamente, es decir que sean capaces de encontrar patrones complejos en grandes conjuntos de datos por si solos.

 

Tipos de algoritmos utilizados

Los algoritmos de machine learning se suelen clasificar en dos grupos, por un lado se encuentran los algoritmos supervisados ​​que aplican lo que se ha aprendido con los datos históricos para sacar conclusiones sobre nuevos datos y por otro lado se encuentran los algoritmos no supervisados ​​pueden extraer inferencias de conjuntos de datos, aunque existen otros tipos como aprendizaje semi-supervisado, aprendizaje por refuerzo, aprendizaje multi-tarea y transducción.

clasificacion de machine learning

Aprendizaje supervisado

El aprendizaje supervisado ​​son un conjunto de técnicas que permite realizar predicciones futuras basadas en comportamientos o características analizadas en datos históricos.

La perdición obtenida es representada por medio de una función donde las entradas representan las características analizadas y la salida representa la variable que se quiere predecir.

Esta función de salida es de tipo numérico en problemas de regresión y de tipo categórico en los problemas de clasificación.

Regresión

Clasificación

  • Cuantificador Bayesiano Ingenuo (R)
  • Regresión Logística (R)
  • Análisis discriminante (R)
  • AdaBoost (R)
  • Arboles de Decisión (R, Spark-Python)
  • Random Forest (R)
  • Bagging (R)
  • SVM (R)

 

Aprendizaje no supervisado

El aprendizaje no supervisado es un conjunto de técnicas que permiten inferir modelos para extraer conocimiento de conjuntos de datos donde a priori se desconoce.

Análisis clúster

  • Análisis de Correspondencias Simple y Múltiple (R)
  • Escalamiento Multidimensional (R)
  • Análisis Clúster Jerárquico y No Jerárquico (R, Spark-Python)

Reducción de dimensionalidad

  • Análisis de componentes principales (R)
  • Análisis Factorial (R)

 

Aplicación práctica del machine learning por sectores

Sanitario

  • Detección de enfermedades.
  • Predicción de aparición de enfermedades.
  • Análisis de la actividad postural.
  • Predicción de estancia hospitalaria.
  • Análisis de señales cerebrales.
  • Clasificación de secuencias de ADN.

Retail

  • Estimación de la demanda.
  • Fijación de precios.
  • Predicción del comportamiento de los compradores.
  • Segmentación de clientes.
  • Búsqueda de clientes basándose en comportamientos en las redes sociales, interacciones en la web…
  • Optimización de la usabilidad Web/Movil.
  • Optimización de las horas que maximizan el impacto en redes sociales de una campaña de marketing.

Logística

  • Predecir de fallos en equipos tecnológicos.
  • Aplicación en data analytics a partir de sensores.
  • Mantenimiento predictivo en aeronáutica
  • Análisis de telemetría en coches.
  • Predicción de retrasos de aviones.
  • Predecir el tráfico urbano.
  • Vehículos autónomos.

Financiero

  • Detección de fraude en las transacciones electrónicas.
  • Predicción de riesgos financieros.
  • Predicción de recesión.

Energético

  • Estimación de demanda energética
  • Predicción del clima.

Seguridad

  • Detectar intrusiones en una red de comunicaciones de datos.
  • Detección de objetos.
  • Sistemas Anti-spam.
  • Detectando software malicioso.

RRHH

  • Análisis de empleados más rentables.

 

 

Otros artículos que pueden ser de interés:

Autor: Diego Calvo