Scribd
Cargar
2 vistas1 página

02 Machine Learning

El Machine Learning es una subdisciplina de la inteligencia artificial que permite a los sistemas aprender de la experiencia sin programación explícita. Existen tres tipos principales de aprendizaje: supervisado, no supervisado y por refuerzo, cada uno con diferentes algoritmos y aplicaciones. El proceso de entrenamiento incluye la recolección de datos, división de conjuntos, selección de modelos y evaluación de métricas.

Cargado por

Alejandro Toro Ortega
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
2 vistas1 página

02 Machine Learning

El Machine Learning es una subdisciplina de la inteligencia artificial que permite a los sistemas aprender de la experiencia sin programación explícita. Existen tres tipos principales de aprendizaje: supervisado, no supervisado y por refuerzo, cada uno con diferentes algoritmos y aplicaciones. El proceso de entrenamiento incluye la recolección de datos, división de conjuntos, selección de modelos y evaluación de métricas.

Cargado por

Alejandro Toro Ortega
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Machine Learning

Fundamentos del Aprendizaje Automático

Definición y Conceptos Clave


El Machine Learning (ML) o Aprendizaje Automático es una subdisciplina de la IA que
permite a los sistemas aprender y mejorar automáticamente a partir de la experiencia,
sin ser programados explícitamente para cada tarea. Los algoritmos de ML identifican
patrones en los datos y toman decisiones con mínima intervención humana.

Tipos de Aprendizaje
1. Aprendizaje Supervisado: El modelo se entrena con datos etiquetados.
Ejemplos: regresión lineal, árboles de decisión, SVM.
2. Aprendizaje No Supervisado: El modelo encuentra patrones en datos sin
etiquetar. Ejemplos: clustering, PCA.
3. Aprendizaje por Refuerzo: El agente aprende interactuando con un entorno,
recibiendo recompensas o penalizaciones.

Comparativa de Algoritmos
La siguiente tabla muestra una comparación de los algoritmos más utilizados en
Machine Learning:

Algoritmo Tipo Uso Principal

Regresión Lineal Supervisado Predicción de valores


K-Means No Supervisado Agrupación de datos
Red Neuronal Supervisado Reconocimiento de patrones
Q-Learning Refuerzo Juegos y robótica

El Proceso de Entrenamiento
• Recolección y limpieza de datos
• División en conjuntos de entrenamiento y prueba
• Selección y entrenamiento del modelo
• Evaluación de métricas (precisión, recall, F1)
• Optimización de hiperparámetros

Documento 2 de 3 — Serie: Inteligencia Artificial

También podría gustarte