Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


Aprendizaje Automático en Programación Java III: Tipos y Aplicaciones, Diapositivas de Materiales

Este documento introduce el aprendizaje automático (Machine Learning) en el contexto de la programación Java III. Se discuten los factores que lo justifican, los tipos de aprendizaje y ejemplos de aplicaciones en diferentes áreas. El aprendizaje automático es una herramienta poderosa para el análisis de grandes volúmenes de datos.

Tipo: Diapositivas

2020/2021

Subido el 24/03/2021

diego-espejo-1
diego-espejo-1 🇨🇴

5 documentos

1 / 11

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
!
JAVA PROGRAMMING III
!
CLASE 1:
INTRODUCCIÓN
pf3
pf4
pf5
pf8
pf9
pfa

Vista previa parcial del texto

¡Descarga Aprendizaje Automático en Programación Java III: Tipos y Aplicaciones y más Diapositivas en PDF de Materiales solo en Docsity!

JAVA PROGRAMMING IIICLASE 1:

INTRODUCCIÓN

APRENDIZAJE AUTOMÁTICO

APRENDIZAJE^2 (^1) AUTOMÁTICO (^3) MATEMÁTICA

Hay algunos factores que favorecen el aprendizaje automático sobre el análisis manual:

  • Capacidad de mejorar sin una programación explícita.
  • Naturalmente se beneficia de grandes cantidades de datos de prueba.
  • Almacenamiento de datos en la nube.
  • Captación y la optimización en tiempo real de los datos (mejora continua).

FACTORES CLAVE

EJEMPLOS DE APRENDIZAJE AUTOMÁTICO

Todo uso de grandes cantidades de datos que requieran análisis, es un candidato a aplicar las técnicas de Aprendizaje Automático:

  • Detección de Fraude analizando transacciones bancarias.
  • Análisis de estudios médicos para detectar patrones o epidemias.
  • Análisis climatológico para predecir Huracanes y otros
  • Análisis de fotografías para búsqueda de personas desaparecidas.

APRENDIZAJE SUPERVISADO

Se puede deducir una función a partir de datos de entrenamiento que consisten de pares de objetos:

  • Datos de entrada
  • Resultados deseados La función creada es capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos generalizando a partir de los datos presentados a las situaciones no vistas previamente.

APRENDIZAJE SUPERVISADO

El valor de salida puede ser numérico o una etiqueta, siendo las funciones más conocidas las de:

  • Regresión Lineal
  • Regresión Logística

APRENDIZAJE NO SUPERVISADO

Existen numerosas implementaciones y técnicas para realizar este tipo de aprendizaje y muchas de las investigaciones intentan trabajar sobre esta rama de la inteligencia artificial. Algunas de las más conocidas son:

  • Algoritmos Genéticos
  • Redes Neuronales
  • Clustering

RESUMEN

  • El objetivo principal es que la computadora aprenda a predecir valores futuros.
  • Existen multitud de implementaciones
  • La combinación de factores de evolución tecnológica propician el avance constante.