Machine Learning

Jennifer Paola Encarnación

Maicol Andres Moreno Betancurth
Juan José Gonzales
Alison Samanta Vélez

Profesor: Lloyd Herbert Morris Molina:

Doctor en Ciencias Generales

Universidad Católica de Pereira

Facultad de Ciencias Básicas
Programa de Ingeniería Industrial
Pereira, Colombia
2023
 TABLA DE CONTENIDO

1. Introducción………..3
2. Concepto……………4
3. Componentes…………5
4. Ventajas…………7
5. Desventajas………7
6. aplicaciones de machine learning en la industria…………8
7. Conclusiones………10
8. Web grafía …………11
 Introducción
En este escrito se explican diversos conceptos importantes del Machine Learning
(Aprendizaje Automático). Son conceptos que ayudaran al entender los modelos de
regresión y clasificación, así como técnicas de clustering (agrupamiento) y de reducción
dimensiones.

Machine Learning es la ciencia que hace que los ordenadores” aprendan” a partir de los
datos. En vez de programar, paso a paso, cada solución específica para cada necesidad
planteada, tal y como se realizan en el enfoque de la programación convencional, el área
de machine Learning está dedicada al desarrollo de algoritmos genéricos que pueden
extraer patrones de diferentes tipos de datos. De esta manera, un programa de machine
Learning destinado, por ejemplo, a clasificar números escritos a mano, no va diferir
sustancialmente de un programa destinado a la clasificación de las imágenes de señales
de tráfico: ambos se basarán en la existencia de algún tipo algoritmo de machine
Learning que clasifique datos etiquetados. En este punto se podría pensar que el proceso
completo de machine Learning es fácilmente automatizable, cuando realmente no es el
caso: un ingeniero de datos(data scientist) debe llevar a cabo numerosas tareas
específicas tales como la identificación de la fuente de datos, su limpieza, la eliminación
de información que este fuertemente correlacionada, la búsqueda de información
sesgada, la realización de las normalizaciones necesarias, la identificación de los tipos
de soluciones de machine Learning cuya aplicación resulte apropiada, la elección del
algoritmo más adecuado, el ajuste fino de los hiper-parametros de método elegido, el
análisis de los resultados, la identificación de comportamientos incorrectos, la vuelta a
procesos anteriores con el fin de cambiar lo que resulte necesario para mejorar los
resultado, entre otros.
 Concepto
El Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que
crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir
identificar patrones complejos en millones de datos. La máquina que realmente aprende
es un algoritmo que revisa los datos y es capaz de predecir comportamientos
futuros. Automáticamente, también en este contexto, implica que estos sistemas se
mejoran de forma autónoma con el tiempo, sin intervención humana.

Esta tecnología está presente en un sinfín de aplicaciones como las recomendaciones de

Netflix o Spotify, las respuestas inteligentes de Gmail o el habla de Siri y Alexa.

“En definitiva, el ‘machine Learning’ es un maestro del reconocimiento de patrones, y

es capaz de convertir una muestra de datos en un programa informático capaz de extraer
inferencias de nuevos conjuntos de datos para los que no ha sido entrenado
previamente”. Esta capacidad de aprendizaje se emplea también para la mejora de
motores de búsqueda, la robótica, el diagnóstico médico o incluso la detección del fraude
en el uso de tarjetas de crédito.

Aunque ahora esté de moda, gracias a su capacidad para derrotar a jugadores del
Go o resolver cubos de Rubik, su origen se remonta al siglo pasado. “La estadística es sin
duda la base fundamental del aprendizaje automático, que básicamente consiste en una
serie de algoritmos capaces de analizar grandes cantidades de datos para deducir
cuál es el resultado más óptimo para un determinado problema”, (José Luis Espinoza,
científico de datos).
Componentes: con el objetivo de abordar cualquier tarea especifica, el ingeniero de
datos debe conocer algunos conceptos importantes de machine learning, asi como las
diferentes opciones existentes, lasmedidas de calidad mas utilizadss,etc. Los
conocimientos basicos incluten la identificaión de las tareas,empezando por la
clasificación de los problemas de machine learning en alguno de los siguientes tipo:

 Aprendizaje supervisado
 Refresion
 Clasificacion
 Aprendizaje no supervisado
 Clustering(agrupamiento)
 Reducción de dimensiones
 Aprendizaje por refuerzo

Aprendizaje Supervisado

En el aprendizaje supervisado, los algoritmos trabajan con datos “etiquetados” (labeled

data), intentado encontrar una función que, dadas las variables de entrada (input data),
les asigne la etiqueta de salida adecuada. El algoritmo se entrena con un “histórico” de
datos y así “aprende” a asignar la etiqueta de salida adecuada a un nuevo valor, es
decir, predice el valor de salida. (Simeone, 2018)

Por ejemplo, un detector de spam, analiza el histórico de mensajes, viendo qué función
puede representar, según los parámetros de entrada que se definan (el remitente, si el
destinatario es individual o parte de una lista, si el asunto contiene determinados términos
etc), la asignación de la etiqueta “spam” o “no es spam”. Una vez definida esta función, al
introducir un nuevo mensaje no etiquetado, el algoritmo es capaz de asignarle la etiqueta
correcta.

El aprendizaje supervisado se suele usar en:

Problemas de clasificación (identificación de dígitos, diagnósticos, o detección de fraude

de identidad).

Problemas de regresión (predicciones meteorológicas, de expectativa de vida, de

crecimiento etc.)

Estos dos tipos principales de aprendizaje supervisado, clasificación y regresión, se

distinguen por el tipo de variable objetivo. En los casos de clasificación, es de tipo
categórico, mientras que, en los casos de regresión, la variable objetivo es de tipo
numérico.
Los algoritmos más habituales que aplican para el aprendizaje supervisado son:

 Árboles de decisión.
 Clasificación de Naïve Bayes.
 Regresión por mínimos cuadrados.
 Regresión Logística.
 Support Vector Machines (SVM).
 Métodos “Ensemble” (Conjuntos de clasificadores).

Aprendizaje no Supervisado

El aprendizaje no supervisado tiene lugar cuando no se dispone de datos

“etiquetados” para el entrenamiento. Sólo conocemos los datos de entrada, pero no
existen datos de salida que correspondan a un determinado input. Por tanto, sólo
podemos describir la estructura de los datos, para intentar encontrar algún tipo de
organización que simplifique el análisis. Por ello, tienen un carácter exploratorio.

Por ejemplo, las tareas de clustering, buscan agrupamientos basados en similitudes, pero
nada garantiza que éstas tengan algún significado o utilidad. En ocasiones, al explorar los
datos sin un objetivo definido, se pueden encontrar correlaciones espúreas curiosas, pero
poco prácticas.

El aprendizaje no supervisado se suele usar en:

Problemas de clustering

Agrupamientos de co-ocurrencias

Perfilado o profiling.

Sin embargo, los problemas que implican tareas de encontrar similitud, predicción de
enlaces o reducción de datos, pueden ser supervisados o no.

Los tipos de algoritmo más habituales en aprendizaje no supervisado son:

1. Algoritmos de clustering
2. Análisis de componentes principales
3. Descomposición en valores singulares (singular valué decomposition)
4. Análisis de componentes principales (Independent Component Analysis)
¿Entonces, qué es el aprendizaje por refuerzo?

No todos los algoritmos ML se pueden clasificar como algoritmos de aprendizaje

supervisado o no supervisado. Hay una «tierra de nadie» que es donde encajan las
técnicas de aprendizaje por refuerzo.

Este tipo aprendizaje se basa en mejorar la respuesta del modelo usando un proceso
de retroalimentación. El algoritmo aprende observando el mundo que le rodea. Su
información de entrada es el feedback o retroalimentación que obtiene del mundo exterior
como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.

No es un tipo de aprendizaje supervisado, porque no se basa estrictamente en un

conjunto de datos etiquetados, sino en la monitorización de la respuesta a las acciones
tomadas. Tampoco es un aprendizaje no supervisado, ya que, cuando modelamos a
nuestro «aprendiz» sabemos de antemano cuál es la recompensa esperada.

Ventajas de los modelos de machine Learning:

Identifican tendencias y patrones de datos que los humanos pueden pasar por alto.

Luego de configurarlos, pueden funcionar sin intervención humana. Por ejemplo, el machine
learning en el software de ciberseguridad puede supervisar e identificar de manera continua las
irregularidades en el tráfico de red sin la intervención del administrador.

Los resultados pueden ser más precisos con el tiempo.

Pueden manejar una variedad de formatos de datos en entornos dinámicos, complejos y de

gran volumen de datos.

Desventajas de los modelos de machine learning:

El entrenamiento inicial es un proceso costoso y puede llevar mucho tiempo. Puede ser difícil
de aplicar si no se dispone de datos suficientes.

Se trata de un proceso con uso intensivo de computación que requiere una inversión inicial
fuerte en caso de que el hardware se configure de manera interna.

Sin la ayuda de un experto, puede ser un reto interpretar los resultados correctamente y eliminar
la incertidumbre.
Aplicaciones de machine learning en la industria

1.- Mantenimiento predictivo

Ya hemos hablado de la capacidad predictiva que otorga machine learning. Esto influye
en la planificación de las operaciones de mantenimiento de la maquinaria. ¿A que estaría
genial saber con antelación qué equipo tiene más probabilidades de fallar y cuándo lo
hará? Esto es posible gracias a machine learning, dando forma al concepto
de mantenimiento predictivo.
Con ello, podemos anticiparnos y establecer protocolos de reparación que impidan que la
máquina se estropee del todo y no pueda funcionar por un tiempo. Recuerda que, tiempo
inactivo equivale a pérdidas económicas.

2.- Técnicas de visión artificial

Visión artificial, visión por ordenador o visión por computador son las diferentes formas de
llamar a esta tecnología que une a los algoritmos de machine learning con las imágenes
recibidas por una cámara.
De esta forma, los algoritmos procesarán las imágenes recogidas y extraerán valor de las
mismas. Con ello, se multiplica por muchos enteros la velocidad y la fiabilidad de las
inspecciones visuales, eliminando factores humanos como la fatiga y los sesgos propios
de nuestra condición.

3.- Control de calidad

Hay que destacar cómo ha evolucionado el control de calidad de materias primas,

productos intermedios y elaborados gracias al aporte de machine learning.
En el anterior apartado, hemos hecho referencia a la visión artificial. Pues bien, uno de
sus principales usos es determinar la calidad de los recursos de la línea de producción.
Por ejemplo, con la visión por ordenador es más sencillo y rápido identificar defectos,
algunos de ellos imperceptibles por el ojo humano.
Pero machine learning y calidad no solamente se relacionan con la visión artificial, sino
que también existen variables que se miden con sensores, como la temperatura, presión,
vibración, etc. Datos que se recopilan y procesan continuamente. Por ejemplo, en la
industria alimentaria, detectar temperaturas de envasado por debajo de lo establecido
puede ser indicativo de que ese alimento no será apto para el consumo.

4.- Optimización de recursos

Machine learning puede trabajar con información de toda clase dentro de la planta, datos
referentes a recursos materiales como humanos.
Esto hace que con la información interpretada que podamos extraer de los sistemas de
machine learning tengamos una visión más realista y actualizada de todo lo que está
pasando en la fábrica inteligente. Así, los gestores podrán definir estrategias realmente
eficaces y que se correspondan con lo que la situación realmente demanda.
Una clara muestra de ello es la posibilidad de organizar óptimamente las tareas de los
empleados, de manera que estas se ajusten a su carga de trabajo, habilidades,
experiencia, autorizaciones e, incluso, ubicación.
5.- Clasificación de productos

Por último, tenemos un punto que podemos relacionar con algunos de los anteriores,
como son el control de calidad y la visión artificial. Y es que, tanto los sensores como las
cámaras ayudan a identificar aspectos que serán decisivos para la clasificación de los
productos en función de los parámetros medidos.
Veamos un ejemplo de ello. Tenemos una empresa que recoge y comercializa naranjas.
Según la presencia de ciertos defectos reconocidos gracias a la visión por computador,
unas naranjas irán directas al mercado; otras, más defectuosas, se emplearán para hacer
zumo; y habrá otras que tendrán que desecharse obligatoriamente.

Qué es y por qué es importante el machine learning en la Industria 4.0

El machine learning, o aprendizaje automático, es una aplicación de la IA para solucionar

problemas o predecir escenarios futuros a través la detección de patrones basados en
el análisis de datos.

Cuantos más datos analice la máquina, más aprende. Y todo utilizando algoritmos
cambiantes, sin necesidad de que un humano la vuelva a programar.

¿Por qué es tan importante el machine learning en la industria 4?0?

Porque hace que la toma de decisiones sea cada vez más rápida y eficaz.

El objetivo es crear un sistema que no deja de cruzar y analizar toda la información

disponible en búsqueda de patrones para mejorarlo.

Y no nos referimos solo a la fabricación, sino también al resto del funcionamiento de tu

empresa. Cualquier proceso (administración, marketing y ventas, logística…) es
susceptible de mejora.
 Conclusión
Para concluir la mente humana está dotada para trabajar en el desarrollo de diferentes
habilidades como: emoción, pensamiento, razonamiento, aprendizaje, lenguaje, visión y
sobre todo está llena de sentido común y conciencia de nosotros mismos, algo que no
está en las máquinas, las cuáles, por ejemplo, no son capaces de negociar, de
emocionarse, de pensar por sí solas y de socializar.

Por otro lado, gracias a los aportes de la inteligencia artificial y al machine learning en los
diferentes campos mencionados se ha hecho posible hacer la vida del ser humano más
fácil, permitiendo el progreso económico, tecnológico y social en todos los ámbitos de
nuestra existencia. Ya que se trata de tareas repetitivas, mecánicas y monótonas que se
pueden encargar a seres no emocionales, que además no se quejan y tampoco piden
aumento salarial. Aunque esto conllevaría a una ola de desempleo para los años futuros,
es aquí donde se necesitara revisar las desventajas y los beneficios de dotar a las
maquinas con la inteligencia para remplazar a los humanos. Para finalizar que cabe
denotar que hasta que no se haga una Introspección donde quede claro que las maquina
por medio del machine learning no van a sobrepasar las 3 leyes de Isaac, por el contrario,
van a discernir en entre qué está bien o qué está mal, que ellas nunca van a ser
superiores al ser humano y que su misión al fin y al cabo es ayudar al desarrollo del ser
humano y no convertirse en una amenaza para la humanidad.
WEBGRAFIA.

[Link]
e+es+el++machine+learning&ots=qhcaq0ppaw&sig=xcvqntox4dyasxxfank_xme1qgq#v=o
nepage&q&f=false

[Link]

[Link]

[Link]

[Link]

[Link]
carrasquero/publication/334695719_construccion_de_un_sistema_teorico_explicativo_sob
re_la_madurez_macroergonomica_en_organizaciones_de_alta_confiabilidad/links/602ff3a
592851c4ed5821e14/construccion-de-un-sistema-teorico-explicativo-sobre-la-madurez-
[Link]#page=54