Aprendizaje Supervisado y No supervisado

por | Jul 18, 2017 | Big data, Inteligencia de negocio | 1 Comentario

Definición de Machine Learning

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.

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.

Clasificación de machine learning -aprendizaje supervisado y no supervisado

Clasificación de machine learning -aprendizaje supervisado y no supervisado

Aprendizaje Supervisado

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

Donde las etiquetas nos son más que una salida que ha mostrado el conjunto de datos para datos históricos, ya conocidos.

Regresión

Clasificación

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)
  • Análisis Clúster Jerárquico y No Jerárquico (R, Spark-Python)

Reducción de dimensionalidad

  • Análisis de componentes principales (R)
  • Análisis Factorial (R)
  • Escalamiento Multidimensional (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.
  • Fijación de precios de productos bancarios.
  • Segmentación de clientes.

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.

1 Comentario

  1. Andres Ochoa

    Nuevamente muchas gracias por el aporte
    Muy completo el curso

    Responder

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *