Machine Translated by Google

Introduciendo
Aprendizaje automático
Machine Translated by Google

¿Qué es el aprendizaje automático?

El aprendizaje automático enseña a las computadoras a hacer lo que es natural para

los humanos y los animales: aprender de la experiencia. Los algoritmos de aprendizaje
automático utilizan métodos computacionales para "aprender" información directamente de
los datos sin depender de una ecuación predeterminada como modelo. Los algoritmos
mejoran su rendimiento de forma adaptativa a medida que aumenta el número de muestras
disponibles para el aprendizaje.
Machine Translated by Google

Más datos, más preguntas, mejores respuestas

Los algoritmos de aprendizaje automático encuentran patrones naturales Aplicaciones del mundo real
en los datos que generan información y lo ayudan a tomar mejores
Con el auge de los grandes datos, el aprendizaje automático se ha vuelto
decisiones y predicciones. Se utilizan todos los días para tomar decisiones
particularmente importante para resolver problemas en áreas como estas:
críticas en diagnósticos médicos, operaciones bursátiles, pronósticos de
carga de energía y más. Los sitios de medios se basan en el aprendizaje • Finanzas computacionales, para calificación crediticia y
automático para analizar millones de opciones y brindarle recomendaciones de negociación algorítmica
canciones o películas. Los minoristas lo utilizan para obtener información sobre
• Procesamiento de imágenes y visión artificial, para reconocimiento facial,
el comportamiento de compra de sus clientes.
detección de movimiento y detección de objetos

• Biología computacional, para detección de tumores, descubrimiento de fármacos

y secuenciación de ADN

• Producción de energía, para previsiones de precios y cargas

• Automoción, aeroespacial y fabricación, para mantenimiento

predictivo

• Procesamiento natural del lenguaje

Introducción al aprendizaje automático 3

Machine Translated by Google

Cómo funciona el aprendizaje automático

El aprendizaje automático utiliza dos tipos de técnicas: aprendizaje

supervisado, que entrena un modelo con datos de entrada y salida conocidos para
que pueda predecir salidas futuras, y aprendizaje no supervisado, que encuentra
patrones ocultos o estructuras intrínsecas en los datos de entrada.

SIN SUPERVISIÓN
APRENDIZAJE
AGRUPACIÓN
Agrupe e interprete los datos
basándose únicamente en
los datos de entrada

APRENDIZAJE AUTOMÁTICO
CLASIFICACIÓN
SUPERVISADO
APRENDIZAJE
Desarrolle un modelo
predictivo basado en datos de

entrada y salida
REGRESIÓN

Introducción al aprendizaje automático 4

Machine Translated by Google

Aprendizaje supervisado

El objetivo del aprendizaje automático supervisado es construir un modelo Uso del aprendizaje supervisado para predecir ataques cardíacos
que haga predicciones basadas en evidencia en presencia de incertidumbre.
Supongamos que los médicos quieren predecir si alguien tendrá un ataque al
Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos
corazón dentro de un año. Tienen datos sobre pacientes anteriores, incluida la
de entrada y respuestas conocidas a los datos (salida) y entrena un modelo
edad, el peso, la altura y la presión arterial. Saben si los pacientes anteriores
para generar predicciones razonables para la respuesta a nuevos datos.
sufrieron ataques cardíacos dentro de un año. Entonces, el problema es combinar los
datos existentes en un modelo que pueda predecir si una nueva persona tendrá un
El aprendizaje supervisado utiliza técnicas de clasificación y regresión ataque al corazón dentro de un año.
para desarrollar modelos predictivos.

• Las técnicas de clasificación predicen respuestas discretas, por ejemplo,

si un correo electrónico es genuino o spam, o si un tumor es canceroso
o benigno. Los modelos de clasificación clasifican los datos de entrada
en categorías. Las aplicaciones típicas incluyen imágenes médicas,
reconocimiento de voz y calificación crediticia.

• Las técnicas de regresión predicen respuestas continuas—

por ejemplo, cambios de temperatura o fluctuaciones en la demanda
de energía. Las aplicaciones típicas incluyen el pronóstico de carga de
electricidad y el comercio algorítmico.

Introducción al aprendizaje automático 5

Machine Translated by Google

Aprendizaje sin supervisión

El aprendizaje no supervisado encuentra patrones ocultos o estructuras intrínsecas en los

datos. Se utiliza para sacar inferencias de conjuntos de datos que consisten en datos de

entrada sin respuestas etiquetadas.

El agrupamiento es la técnica de aprendizaje no supervisado más común.

Se utiliza para el análisis exploratorio de datos para encontrar patrones ocultos o

Agrupación
agrupaciones en los datos.
Patrones
en los datos
Las aplicaciones para el agrupamiento incluyen análisis de secuencias de genes,

investigación de mercado y reconocimiento de objetos.

Patrones de agrupamiento datos

los
Agrupación

en los datos Patrones

en

Agrupación
Patrones
en los datos

Introducción al aprendizaje automático 6

Machine Translated by Google

¿Cómo decide qué algoritmo usar?

APRENDIZAJE AUTOMÁTICO
Elegir el algoritmo correcto puede parecer abrumador: hay docenas de
algoritmos de aprendizaje automático supervisados y no supervisados, y cada
uno adopta un enfoque diferente para el aprendizaje.

No existe el mejor método o una talla única para todos. Encontrar el algoritmo
correcto es en parte solo prueba y error: incluso los científicos de datos con mucha SUPERVISADO SIN SUPERVISIÓN
experiencia no pueden saber si un algoritmo funcionará sin probarlo. Pero la APRENDIZAJE APRENDIZAJE

selección del algoritmo también depende del tamaño y el tipo de datos con los que
está trabajando, la información que desea obtener de los datos y cómo se usará esa
información.

CLASIFICACIÓN REGRESIÓN AGRUPACIÓN

Vector de soporte regresión lineal, K-medias, K-medoides

Máquinas GLM Medias C difusas

discriminante
RVS, GPR Jerárquico
Análisis

bayesiana ingenua Métodos de conjunto Mezcla Gaussiana

Vecino más cercano Árboles de decisión Redes neuronales

Markov oculto
Redes neuronales
Modelo

Introducción al aprendizaje automático 7

Machine Translated by Google

¿Cuándo debería usar el aprendizaje automático?

Considere usar el aprendizaje automático cuando tenga una tarea o problema complejo
que involucre una gran cantidad de datos y muchas variables, pero no exista una fórmula
o ecuación. Por ejemplo, el aprendizaje automático es una buena opción si necesita
manejar situaciones como estas:

• Las reglas y ecuaciones escritas a mano son demasiado complejas, como en la cara.
reconocimiento y reconocimiento de voz.

• Las reglas de una tarea cambian constantemente, como en la detección de

fraudes a partir de registros de transacciones.

• La naturaleza de los datos sigue cambiando y el programa debe adaptarse, como en

el comercio automatizado, la previsión de demanda de energía y la predicción de
tendencias de compra.

Introducción al aprendizaje automático 8

Machine Translated by Google

Ejemplos del mundo real

Creación de algoritmos que pueden analizar obras de arte

Los investigadores del Laboratorio de Arte e Inteligencia Artificial de la Universidad

de Rutgers querían ver si un algoritmo informático podía clasificar pinturas por estilo,
género y artista con la misma facilidad que un ser humano. Comenzaron identificando
características visuales para clasificar el estilo de una pintura. Los algoritmos que
desarrollaron clasificaron los estilos de las pinturas en la base de datos con un 60% de
precisión, superando a los típicos humanos no expertos.

Los investigadores plantearon la hipótesis de que las características visuales útiles

para la clasificación de estilos (un problema de aprendizaje supervisado) también podrían
usarse para determinar las influencias artísticas (un problema no supervisado).

Utilizaron algoritmos de clasificación entrenados en imágenes de Google para identificar

objetos específicos. Probaron los algoritmos en más de 1700 pinturas de 66 artistas
diferentes que trabajaron durante un lapso de 550 años. El algoritmo identificó
fácilmente obras conectadas, incluida la influencia del "Retrato del Papa Inocencio X"
de Diego Velázquez en el "Estudio después del Retrato del Papa Inocencio X de
Velázquez" de Francis Bacon.

Introducción al aprendizaje automático 9

Machine Translated by Google

Ejemplos del mundo real

Optimización del uso de energía HVAC en edificios grandes

Los sistemas de calefacción, ventilación y aire acondicionado (HVAC) en

edificios de oficinas, hospitales y otros edificios comerciales a gran escala
suelen ser ineficientes porque no tienen en cuenta los patrones climáticos
cambiantes, los costos variables de energía o las propiedades térmicas del edificio.

La plataforma de software basada en la nube de Building IQ aborda este

problema. La plataforma utiliza algoritmos avanzados y métodos de aprendizaje
automático para procesar continuamente gigabytes de información de medidores de
energía, termómetros y sensores de presión HVAC, así como el clima y el costo de
la energía. En particular, el aprendizaje automático se utiliza para segmentar datos
y determinar las contribuciones relativas del gas, la electricidad, el vapor y la energía
solar a los procesos de calefacción y refrigeración. La plataforma Building IQ reduce
el consumo de energía HVAC en edificios comerciales a gran escala entre un 10 %
y un 25 % durante el funcionamiento normal.

Introducción al aprendizaje automático 10

Machine Translated by Google

Ejemplos del mundo real

Detección de accidentes automovilísticos a baja velocidad

Con más de 8 millones de miembros, el RAC es una de las organizaciones

automovilísticas más grandes del Reino Unido y brinda asistencia en carretera,

seguros y otros servicios a automovilistas privados y comerciales.

Para permitir una respuesta rápida a los incidentes en la carretera, reducir los
choques y mitigar los costos de los seguros, el RAC desarrolló un sistema de
detección de choques a bordo que utiliza algoritmos avanzados de aprendizaje
automático para detectar colisiones a baja velocidad y distinguir estos eventos de los
eventos de conducción más comunes, como conducir sobre badenes o baches. Las
pruebas independientes demostraron que el sistema RAC tiene una precisión del 92
% en la detección de choques de prueba.

Introducción al aprendizaje automático 11

Machine Translated by Google

Aprende más

¿Listo para una inmersión más profunda? Explore estos recursos para obtener más
información sobre métodos, ejemplos y herramientas de aprendizaje automático.

Reloj
Aprendizaje automático simplificado 34:34

Técnicas de procesamiento de señales y aprendizaje automático para análisis de datos de sensores 42:45

Leer
Publicaciones de blog sobre aprendizaje automático: análisis de redes sociales, minería de texto, razonamiento bayesiano y más

El premio Netflix y los sistemas de aprendizaje automático de producción: una mirada interna

Desafíos del aprendizaje automático: elegir el mejor modelo y evitar el sobreajuste

Explorar
Ejemplos de aprendizaje automático de MATLAB

Soluciones de aprendizaje automático

Clasificar datos con la aplicación de clasificación de aprendizaje

© 2016 The MathWorks, Inc. MATLAB y Simulink son marcas comerciales registradas de The MathWorks, Inc. Visite [Link]/trademarks para obtener una lista de marcas comerciales adicionales.
Otros nombres de productos o marcas pueden ser marcas comerciales o marcas comerciales registradas de sus respectivos propietarios.
92991v00