INTRODUCCIÓN AL
MACHINE LEARNING
AGENDA
• Contenido del curso
• Machine Learning
• Introducción
• Aplicaciones
• Aprendizaje máquina
• Aprendizaje supervisado
• Aprendizaje no supervisado
• Ambiente de desarrollo
Contenido del curso
• Sesión 1. Introducción
Definición de Aprendizaje máquina, introducción al proceso aprendizaje de máquina,
aprendizaje supervisado, no supervisado, aplicaciones y tendencias actuales.
• Sesión 2. Regresión
Función costo, parámetros de aprendizaje. Técnicas y algoritmos de regresión simple, múltiple
y gradiente descendiente.
• Sesión 3. Redes Neuronales
Fundamentos matemáticos, representación de redes neuronales y aplicaciones.
• Sesión 4. Evaluación de algoritmos
Bias vs Varianza, curvas de aprendizaje. Regularización, validación, optimización, evaluación y
métricas de rendimiento de modelos.
Contenido del curso
• Sesión 5. Máquinas de Soporte Vectorial
Fundamentos matemáticos y representación, Kernels y aplicaciones.
• Sesión 6. Arboles de Decisión
Definición, capacidad del modelo, algoritmo de aprendizaje, medidas de calidad y aplicaciones.
• Sesión 7. Clustering
Aprendizaje no supervisado, K-means, jerarquías e interpretaciones.
• Sesión 8. Presentación de Proyectos
Los estudiantes presentarán sus proyectos en clase y se debatirán en ella las técnicas aplicadas y
los resultados obtenidos.
MACHINE LEARNING
Machine learning o Aprendizaje máquina es un campo de estudio que proporciona a las computadoras la
habilidad de aprender sin ser explícitamente programadas. Arthur Samuel (1959).
Problema de aprendizaje bien planteado: Se dice que un programa de
computadora aprende de la experiencia E con respecto a alguna tarea T y alguna
medida de rendimiento P. Si es el rendimiento en T, medido por P, mejora con
experiencia E.
Tom Mitchell (1998).
Supongamos que su programa de correo electrónico clasifica qué correos electrónicos se marcan como spam, y
en base a eso aprenden cómo filtrar mejor correo no deseado.
• Clasificar correos electrónicos como spam o no spam.
• Ver cómo etiquetas los correos electrónicos como spam o no.
• El número (o fracción) de correos electrónicos correctamente clasificados como spam / no spam.
Supongamos que su programa de correo electrónico clasifica qué correos electrónicos se marcan como spam, y
en base a eso aprenden cómo filtrar mejor correo no deseado.
• Clasificar correos electrónicos como spam o no spam. (Tarea T)
• Ver cómo etiquetas los correos electrónicos como spam o no. (Experiencia E)
• El número (o fracción) de correos electrónicos correctamente clasificados como spam / no spam.
(Rendimiento P)
Aprendizaje Supervisado
El aprendizaje supervisado es una técnica para deducir una función a partir de datos de
entrenamiento. Los datos de entrenamiento consisten de pares de objetos: una componente del par
son los datos de entrada y el otro, los resultados deseados. (Wikipedia)
Ejemplo Housing Price
Ejemplo Housing Price
Ejemplo Housing Price
Ejemplo Housing Price
Características adicionales
Features Target
(Características) (Objetivo)
Riesgo crediticio
APRENDIZAJE NO SUPERVISADO
Aprendizaje no supervisado es un método de Aprendizaje Automático donde un modelo es ajustado a las
observaciones. Se distingue del Aprendizaje supervisado por el hecho de que no hay un conocimiento a
priori de los resultados (observaciones no etiquetadas). (Wikipedia)
Agrupamiento de noticias
Otras aplicaciones
Flujo de trabajo básico
Entorno de desarrollo
Anaconda es una distribución freemium de
código abierto de los lenguajes de
programación Python y R para procesamiento
de datos a gran escala, análisis predictivo y
computación científica, que apunta a
simplificar la administración e implementación
de paquetes.
Instalación de Anaconda
Windows
[Link]
Windows 64 bit
[Link]
Mac
[Link]
Linux
[Link]
Linux 64 bit
[Link]