Algoritmos
Introducción
Juan José Alcaraz Espín
Esteban Egea López
Aplicaciones en Internet
Nuevos paradigmas
Modelo clásico Modelo nuevo
Internet transferir datos Internet recolectar datos
La información la genera una La información se extrae de los
fuente y llega a uno o varios datos
destinos
Evolución de la web
Ejemplos de “web intelligence”
Ejemplos de web intelligence
Ejemplos de web intelligence
Ejemplos de web intelligence
Objetivos de los algoritmos de “web
intelligence”
• Manejar grandes volúmenes de datos
• Extraer información relevante de estos datos
• Aportar valor añadido a las aplicaciones a partir de esta información
Hacer todo lo anterior de forma automatizada
Cómo lograr esos objetivos
Mediante aprendizaje automático (Machine Learning)
- Dentro del campo de la Inteligencia Artificial
Arthur Samuel (1959). Machine Learning: Campo de estudio que da a
los ordenadores la capacidad de aprender sin ser programados
explícitamente.
Tom Mitchell (1998): Se dice de un programa de ordenador que
aprende de una experiencia E con respecto una tarea T y a una medida
de rendimiento P, si su rendimiento en T, medido por P, mejora con la
experiencia E.
“Se dice de un programa de ordenador que aprende de una experiencia
E con respecto una tarea T y a una medida de rendimiento P, si su
rendimiento en T, medido por P, mejora con la experiencia E.”
Supongamos que una aplicación de email observa qué mensajes
marcas como spam y, basándose en esto, aprende a filtrar mejor
el spam. ¿Cuál es la tarea T en este caso?
Clasificar los emails como spam o no spam.
Observar cómo el usuario marca los emails como spam.
El número (o fracción ) de emails marcados correctamente como spam/no spam.
Ninguno de los anteriores—Esto no es un problema de machine learning.
Algoritmos aplicables en los ejemplos
Tipos de algoritmos
Veremos 2 grandes tipos de algoritmos:
Aprendizaje supervisado:
• Regresión
• Clasificación
• Recomendación (no siempre se considera AS)
Aprendizaje no supervisado
• Clustering
Hay otros tipos: Reinforcement Learning, Aprendizaje Online, etc
Aprendizaje supervisado
Ejemplo: Predicción de precios
400
300
Precio ($)
200
en 1000’s
100
0
0 500 1000 1500 2000 2500
Tamaño en m2
Aprendizaje supervisado Regresión: Predicción de un valor
Se dan “valores correctos” de salida continuo (precio)
Aprendizaje supervisado
Diagnostico cancer (maligno, benigno)
Clasificación
1(Y)
Valor de salida
Maligno?
discreto (0 or 1)
0(N)
Tamaño del tumor
Tamaño del tumor
Aprendizaje supervisado
- Densidad del tejido tumoral
- Uniformidad del tamaño de
las células
Edad - Uniformidad de la forma de
las células
…
Tamaño del tumor
Trabajas para una gran compañía, y deseas desarrollar algoritmos de aprendizaje que
resuelvan uno de los siguientes problemas
Problema 1: Tienes un gran inventario de artículos identicos. Deseas predecir cuántos
de estos artículos se venderán durante los próximos 3 meses.
Problema 2: Te gustaría que el software examinara las cuentas individuales de los
clientes, y para cada una, decidiera si la cuenta ha sido hackeada o no.
¿Cómo deberías abordar estos problemas, como regresión o como clasificación?
Ambos como problemas de clasificación.
El problema 1 como clasificación, el problema 2 como regresión.
El problema 1 como regresión, el problema 2 como clasificación.
Ambos como problemas de regresión.
Aprendizaje no supervisado
Aprendizaje supervisado Aprendizaje no supervisado
x2 x2
x1 x1
Aprendizaje no supervisado
Segmentación de mercado
Análisis de redes sociales Agrupar historias relacionadas
