UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO
INGENIERIA DE MINAS
“AÑO DEL FORTALECIMIENTO DE LA SOBERANÍA NACIONAL”
Universidad Nacional de San Antonio
Abad del Cusco
FACULTAD DE INGENIERIA GEOLOGICA, MINAS Y METALURGICA
ESCUELA PROFESIONAL DE INGENIERIA DE MINAS
ASIGNATURA:
• DOCENTE: Ing Gomez Noblega Andres Corsino
• ALUMNO: QUISPE VILLA RAUL BECKHAM
.
• CÓDIGO: 211414
• EMAIL ALUMNO: 211414 @[Link]
CUSCO - PERÚ
1
MARCO TEORICO
Machine Learning (aprendizaje automático) es una de las tecnologías más
revolucionarias de nuestra era. Desde asistentes virtuales como Alexa y Siri, hasta
vehículos autónomos, este campo de la inteligencia artificial está transformando
múltiples industrias. En este artículo, exploraremos qué es Machine Learning, cómo
funciona, sus aplicaciones más importantes y cómo empezar a estudiarlo.
¿QUÉ ES MACHINE LEARNING?
Machine Learning es una rama de la inteligencia artificial (IA) que permite a las
máquinas aprender de los datos. En lugar de programar una máquina para realizar
tareas específicas, los algoritmos de Machine Learning permiten que el sistema
reconozca patrones y tome decisiones basadas en la experiencia previa.
Los algoritmos de Machine Learning analizan grandes cantidades de datos para
hacer predicciones o recomendaciones, mejorando su precisión con el tiempo. Esto
es lo que impulsa tecnologías como los motores de recomendación en plataformas
de streaming, los chatbots y la detección de fraudes en sistemas financieros.
CÓMO FUNCIONA MACHINE LEARNING
El proceso básico de Machine Learning se puede resumir en los siguientes pasos:
1. Recolección de datos: El primer paso es obtener grandes volúmenes de datos de
calidad, ya que los algoritmos necesitan ejemplos para aprender.
2. Preparación de datos: Los datos se limpian y transforman para eliminar errores o
valores faltantes, asegurando que estén en un formato adecuado.
3. Elección de un modelo: Dependiendo del tipo de problema (clasificación, regresión,
agrupación), se selecciona un algoritmo adecuado.
4. Entrenamiento del modelo: El algoritmo utiliza los datos de entrenamiento para
identificar patrones y aprender.
5. Evaluación y ajustes: El modelo se evalúa utilizando un conjunto de datos de
prueba, y los ajustes necesarios se realizan para mejorar la precisión.
6. Predicción: Una vez entrenado, el modelo está listo para hacer predicciones o
clasificaciones en nuevos datos.
Tipos de Machine Learning
Existen varios tipos de Machine Learning, cada uno diseñado para resolver
diferentes tipos de problemas. Aquí te explico los más comunes:
1. Aprendizaje supervisado
En el aprendizaje supervisado, el modelo se entrena con un conjunto de datos
etiquetados, es decir, datos que ya tienen una respuesta correcta. Este enfoque es
ideal para tareas como la clasificación de correos electrónicos como spam o no
spam, o la predicción del precio de una vivienda.
2. Aprendizaje no supervisado
En el aprendizaje no supervisado, el modelo trabaja con datos sin etiquetar,
identificando patrones y agrupaciones por sí mismo. Se usa para tareas como
segmentación de clientes o análisis de comportamientos de usuarios.
3. Aprendizaje por refuerzo
Este tipo de aprendizaje entrena a los modelos mediante la interacción con su
entorno. A través de un sistema de recompensas y penalizaciones, el algoritmo
aprende a tomar decisiones óptimas. Es ampliamente utilizado en robótica y
videojuegos.
Principales aplicaciones de Machine Learning en 2024
El Machine Learning está transformando múltiples sectores. A continuación, te
presento algunas de las aplicaciones más relevantes en 2024:
1. Salud
En la medicina, Machine Learning permite a los profesionales de la salud analizar
datos de pacientes para predecir enfermedades, optimizar tratamientos y
desarrollar nuevos medicamentos. Los modelos predictivos ya son utilizados para
detectar cáncer en sus primeras etapas y monitorear enfermedades crónicas.
2. Finanzas
El sector financiero utiliza Machine Learning para la detección de fraudes, la gestión
de riesgos y la optimización de carteras de inversión. Los bancos y las fintech
emplean algoritmos para analizar transacciones en tiempo real y alertar sobre
actividades sospechosas.
3. Marketing y publicidad
Las empresas aprovechan los algoritmos de Machine Learning para crear
campañas de marketing personalizadas y eficaces. Los sistemas de recomendación,
como los utilizados por Amazon o Netflix, analizan los hábitos de los usuarios para
sugerir productos o contenidos de interés, lo que mejora la experiencia del cliente y
aumenta las ventas.
4. Automóviles autónomos
Los vehículos autónomos dependen de algoritmos de Machine Learning para
interpretar el entorno, tomar decisiones de conducción y mejorar continuamente su
rendimiento. Empresas como Tesla y Waymo están a la vanguardia de esta
tecnología, utilizando datos en tiempo real para hacer que los coches sean más
seguros y eficientes.
5. Reconocimiento de voz y lenguaje
Los asistentes virtuales como Alexa, Siri y Google Assistant usan modelos
de Machine Learning para entender el lenguaje natural y responder de manera
coherente. Estos sistemas están mejorando cada vez más, permitiendo que las
máquinas se comuniquen de manera más fluida con los humanos.
Beneficios de Machine Learning para las empresas
Las empresas que adoptan Machine Learning obtienen múltiples beneficios
competitivos, entre ellos:
Mejor toma de decisiones: Al analizar grandes volúmenes de datos, Machine
Learning ayuda a las empresas a tomar decisiones más informadas y precisas.
Automatización de procesos: Muchas tareas que antes requerían intervención
humana pueden ser automatizadas con algoritmos inteligentes.
Personalización del cliente: Las empresas pueden ofrecer productos y servicios
adaptados a las preferencias individuales de los clientes, mejorando la retención y
la lealtad.
Eficiencia operativa: Las soluciones basadas en Machine Learning permiten
optimizar recursos, reducir costos y mejorar la productividad.
Cómo empezar a estudiar Machine Learning
Si te interesa aprender Machine Learning, aquí tienes algunos pasos clave para
comenzar:
1. Domina los fundamentos de la programación
El lenguaje más utilizado en Machine Learning es Python, por su simplicidad y
robustez. Familiarízate con las bibliotecas como NumPy, pandas y scikit-learn.
2. Estudia matemáticas y estadística
Las matemáticas, especialmente el álgebra lineal y el cálculo, junto con la
estadística, son esenciales para entender cómo funcionan los algoritmos
de Machine Learning.
3. Haz cursos en línea
Plataformas como Coursera, edX y DataCamp ofrecen cursos especializados
en Machine Learning. El curso de Machine Learning de Andrew Ng en Coursera es
uno de los más recomendados.
4. Practica con proyectos
Una excelente forma de aprender Machine Learning es aplicarlo a proyectos reales.
Sitios como Kaggle ofrecen datasets y competencias para que puedas poner en
práctica tus habilidades y mejorar tu portafolio.
Herramientas populares de Machine Learning
A continuación, algunas de las herramientas más utilizadas en Machine Learning:
TensorFlow: Biblioteca de código abierto de Google para el desarrollo de modelos
de Machine Learning y Deep Learning.
PyTorch: Popular entre investigadores y desarrolladores, es ampliamente utilizada
en el aprendizaje profundo.
scikit-learn: Biblioteca de Python que ofrece herramientas simples y eficientes para
el análisis predictivo de datos.
CODIGOS EJEMPLO 1
#:RAUL BECKHAM QUISPE VILLA
# NOTAS DEL SEMESTRE
# Solicitar al usuario que ingrese las tres notas
nota1 = float(input("Ingrese la primera nota: "))
nota2 = float(input("Ingrese la segunda nota: "))
nota3 = float(input("Ingrese la tercera nota: "))
# Calcular el promedio
promedio = (nota1 + nota2 + nota3) / 3
# Evaluar si está aprobado o desaprobado
if promedio > 11:
print(f"Promedio: {promedio:.2f} - Aprobado")
else:
print(f"Promedio: {promedio:.2f} - Desaprobado")
# Programa para evaluar notas del semestre
# Lista de notas de estudiantes (puedes modificar)
notas = [15.0, 12.3, 17.8, 10.5, 13.5, 14.0]
# Recorremos cada nota y aplicamos la condición
for i, nota in enumerate(notas, start=1):
if nota >= 11:
estado = "AP
estado = "APROBADO"
else:
estado = "DESAPROBADO"
print(f"Estudiante {i}: Nota = {nota} --> {estado}")
[15.0, 12.3, 17.8, 10.5, 13.5, 14.0]
Estudiante 1: Nota = 15.0 --> APROBADO
Estudiante 2: Nota = 12.3 --> DESAPROBADO
Estudiante 3: Nota = 17.8 --> APROBADO
Estudiante 4: Nota = 10.5 --> DESAPROBADO
Estudiante 5: Nota = 13.5 --> APROBADO
Estudiante 6: Nota = 14.0 --> APROBADO
# ALUMNOS= 20
# APROBADOS= 18
# DESAPROBADOS=2
CONCLUSIONES
Una neurona artificial es la unidad básica de una red neuronal, inspirada en la función de
las neuronas biológicas. Su propósito principal es recibir entradas, asignar pesos, aplicar
una función de activación y generar una salida. En Python, los modelos neuronales se
pueden implementar fácilmente mediante sentencias condicionales, funciones
matemáticas o bibliotecas especializadas como NumPy, TensorFlow y PyTorch. Esto permite
una amplia gama de simulaciones, desde perceptrones simples hasta redes neuronales
profundas (aprendizaje profundo). Un perceptrón simple, como el del ejemplo del libro de
ejercicios del estudiante, demuestra cómo las neuronas realizan tareas de clasificación
binaria, categorizando los datos en categorías (aprobado/reprobado, sí/no, 1/0). El poder
de las neuronas en el aprendizaje automático reside en su capacidad para conectarse en
capas y redes para resolver problemas más complejos, como el reconocimiento de
imágenes, la predicción de series temporales, el procesamiento del lenguaje natural y la
toma de decisiones en entornos dinámicos. Python se ha convertido en el lenguaje más
utilizado en este campo gracias a su simplicidad, flexibilidad y sistema de bibliotecas. Esto
permite a estudiantes, investigadores y profesionales crear fácilmente modelos de
aprendizaje automático para todo tipo de aplicaciones de IA, desde las más sencillas hasta
las más avanzadas.
…….
