Aprendizaje Supervisado en Machine Learning: Clasificación y Regresión, Apuntes de Inteligencia Artificial

¡Descarga Aprendizaje Supervisado en Machine Learning: Clasificación y Regresión y más Apuntes en PDF de Inteligencia Artificial solo en Docsity!

MACHINE LEARNING

APRENDIZAJE SUPERVISADO

Ing. Julissa Reyna González

¿Qué es Machine Learning?

Machine Learning= Aprendizaje Automático

¿Qué es Aprendizaje Supervisado?

Machine Learning= Aprendizaje

Automático

OBSERVAMOS EL VIDEO:

https://www.youtube.com/watch?v=553rL0JKNEo

¿Machine Learning?

¿Qué es Aprendizaje Supervisado?

?Cómo se clasifica el aprendizaje supervisado?

¿Qué es Clasificación?

¿En qué consiste Regresión?

Clasificación del Aprendizaje Supervisado

Hay dos aplicaciones principales de aprendizaje supervisado: Clasificación y Regresión: Clasificación: Clasificación es una sub-categoría de aprendizaje supervisado en la que el objetivo es predecir las clases categóricas (valores discretos, no ordenados, pertenencia a grupos). El ejemplo típico es la detección de correo spam, que es una clasificación binaria (un email es spam — valor “ 1 ”- o no lo es — valor “ 0 ” - ). También hay clasificación multi-clase, como el reconocimiento de caracteres escritos a mano (donde las clases van de 0 a 9 ). Clasificación del Aprendizaje Supervisado

Clasificación del Aprendizaje Supervisado Regresión : La regresión se utiliza para asignar categorías a datos sin etiquetar. En este tipo de aprendizaje tenemos un número de variables predictoras (explicativas) y una variable de respuesta continua (resultado), y se tratará de encontrar una relación entre dichas variables que nos proporciones un resultado continuo.

Clasificación del Aprendizaje Supervisado Los tipos de algoritmos de regresión incluyen:

• Regresión lineal
• Regresión polinomeal
• Vectores de soporte regresión
• Arboles de decisión regresión
• Bosques aleatorios regresión

Etiquetado de datos en Machine Learning Supervisado

• Se necesita la intervención humana para etiquetar , clasificar e introducir los datos en el algoritmo.
• El algoritmo genera datos de salida esperados, ya que en la entrada han sido etiquetados y clasificados por alguien.
• El aprendizaje supervisado necesita conjuntos de datos etiquetados , es decir, le decimos al modelo qué es lo que queremos que aprenda. Ejemplo: Supongamos que tenemos una heladería y durante los últimos años hemos estado registrando diariamente datos climatológicos, temperatura, mes, día de la semana, etc., y también hemos hecho lo propio con el número de helados vendidos cada día. En este caso, seguramente nos interesaría entrenar un modelo que, a partir de los datos climatológicos, temperatura, etc. (características del modelo) de un día concreto, nos diga cuántos helados se van a vender (la etiqueta a predecir).

Tarea Asincrónica

Individual: Describe en qué consiste el Aprendizaje Supervisado (Clasificación y Regresión) a través de una herramienta digital y compartir el enlace en el aula virtual. Fecha de Presentación: Jueves 17/06/