ESCUELA POLITECNICA NACIONAL
ESFOT
REDES DE SIGUIENTE GENERACION
Sergio Necpas
Machine learning
La clase proporciona una visión general del aprendizaje automático, un subcampo de la
inteligencia artificial que implica el desarrollo de algoritmos que pueden aprender de los datos
sin ser programados explícitamente. Los dos principales tipos de aprendizaje automático:
aprendizaje supervisado y aprendizaje no supervisado. El aprendizaje supervisado implica
predecir una salida basada en datos etiquetados, como detectar el cáncer de mama. El
aprendizaje no supervisado implica encontrar patrones o estructuras en datos no etiquetados,
como agrupar artículos de noticias relacionados. El concepto de regresión, un tipo de
aprendizaje supervisado utilizado para predecir un valor numérico, como el precio de una casa
en función de su tamaño. En cuanto al funcionamiento de los modelos de regresión ajustando
una línea a los datos y utilizando una función de costo, como el error cuadrático medio, para
encontrar los mejores parámetros para el modelo. En cuanto a las limitaciones de los modelos
de regresión, como su incapacidad para capturar relaciones no lineales entre variables. A
continuación, las posibles aplicaciones del aprendizaje automático en varias industrias,
incluyendo el comercio minorista, el transporte y la fabricación. Se destacan cómo el
aprendizaje automático puede utilizarse para mejorar la experiencia del cliente, optimizar la
gestión de la cadena de suministro y aumentar la eficiencia en los procesos de producción.
Vale mencionar los desafíos de implementar el aprendizaje automático en estas industrias,
como la necesidad de grandes cantidades de datos de alta calidad y la dificultad de integrar
modelos de aprendizaje automático en sistemas existentes. El concepto de funciones de costo,
que miden la diferencia entre las predicciones del modelo y los valores reales. Para poder
encontrar la línea que más se ajuste a los datos se puede construir una función de costo. La
función de costo toma la predicción y-sombrero y la compara con la variable de salida. Esta
diferencia se llama el error, estamos midiendo qué tan lejos la predicción es del objetivo.
Ahora, para desarrollar cierta intuición sobre lo que realmente está haciendo la función de
costo. Para medir qué tan bien se ajusta una elección de w y b a los datos de entrenamiento,
tiene una función de costo J. Lo que hace la función de costo J es medir la diferencia entre las
predicciones del modelo y los valores verdaderos reales para “y”. La regresión lineal debe
intentar encontrar valores para w y b, y luego haría que una J (en función de w) fuera lo más
pequeña posible. El objetivo es minimizar J en función de w y b. Ahora, para que se pueda
visualizar mejor la función de costo J, se debe obtener una versión simplificada del modelo de
regresión lineal. Esto se logra deshaciendose del parámetro b, o establecer el parámetro b
igual a 0. Simplemente desaparece de la ecuación, por lo que f ahora es f = wx. Con este
modelo simplificado, el objetivo es encontrar el valor de w, que minimiza J (w).
J es la función de costo que mide qué tan grandes son los errores al cuadrado, por lo que al
elegir w que minimice estos errores al cuadrado, los hace lo más pequeños posible, y dará un
buen modelo. Así es como en la regresión lineal se usa la función de costo para encontrar el
valor de w que minimiza J. En el caso más general donde se tenía parámetros w y b en lugar de
solo w, se encuentra los valores de w y b que minimizan J.
