1. Aprendizaje no supervisado
1.1. Es un tipo de algoritmo de Machine Learning se utiliza para extraer inferencias de conjuntos de datos sin intervención humana, en contraste con el aprendizaje supervisado donde se proporcionan etiquetas junto con los datos.
1.2. El aprendizaje no supervisado generalmente se aplica antes del aprendizaje supervisado, para identificar características en el análisis de datos exploratorios y establecer clases basadas en agrupaciones.
1.2.1. Clasificación
1.2.1.1. Clustering: tiene como objetivo clasificar en grupos atendiendo a las variables de los datos.
1.2.1.1.1. usado para clasificar grupos de clientes con hábitos de compras similares.
1.2.1.2. Reducción de dimensionalidad: Tiene como objetivo reducir el número de variables a tener en cuenta en el análisis.
1.2.1.2.1. un ejemplo de este método es representar en una sola dimensión las medidas de un papel
1.3. La clasificación de características sin supervisión está disponible para aplicar la agrupación en clústeres basada en la distancia de manera más eficiente a grandes conjuntos de datos.
2. Aprendizaje por reforzamiento
2.1. objetivo es el desarrollo de un sistema -que recibe el nombre de agente- que se desea que mejore su eficiencia realizando cierta tarea basándose en la interacción con su entorno. Para ello, el agente recibe recompensas que le permiten adaptar su comportamiento.
2.1.1. Propone 2 componentes
2.1.1.1. Agente: modelo que se desea entrenar y que aprende a tomar decisiones
2.1.1.2. Ambiente: es el entorno donde se interactúa y "se mueve" el agente. El ambiente contiene las limitaciones y reglas posibles a cada momento.
2.1.2. relación entre componentes
2.1.2.1. Acción: las posibles acciones que puede tomar en un momento determinado el agente
2.1.2.2. Estado: son los indicazdores del ambiente, como estan diversos elementos que lo componen en ese momento
2.1.2.3. Recompensas: a raíz de cada acción tomada por el agente, podremos obtener un premio o penalización que orienta al agente a percibir si lo hizo bien o mal
2.1.3. casos de uso
2.1.3.1. Robots
2.1.3.2. Maquinaria industrial
2.1.3.3. definir mantenimientos preventivos
2.1.3.4. definir carteras de inversión
3. Sistemas expertos
3.1. Son programas informáticos que, con el objetivo de solucionar un problema en una especialidad determinada y limitada, utilizan Inteligencia Artificial (IA) para tratar de simular el proceso de razonamiento de un profesional humano.
3.1.1. Componentes de un SE
3.1.1.1. Base de conocimiento
3.1.1.2. Motor de inferencia
3.1.1.3. Base de hechos
3.1.1.4. Módulos de comunicación
3.2. Características
3.2.1. Automatización de procesos comerciales
3.2.2. Integración de entornos de trabajo
3.2.3. Reducen tiempo de tareas
3.2.4. Evaluación de toma de decisiones
3.2.5. Análisis de prestamos
3.2.6. Factibilidad de producción
3.2.7. Plan de ensamblaje óptimo
3.3. Tipos de sistemas expertos
3.3.1. RBO(rule based Reasoning) Usan reglas deterministas para situaciones complejas.
3.3.2. CBR(Case Based Reasoning) se basan en problemas anteriores para resolver actuales
3.3.3. Basados en redes bayesianas usados para la predicción
4. Aprendizaje supervisado
4.1. es el tipo de algoritmo de Machine Learning más frecuente. Utiliza un conjunto de datos conocidos (denominado conjunto de datos de entrenamiento) para entrenar un algoritmo con un conjunto de datos de entrada conocidos (denominados características) y respuestas conocidas para realizar predicciones.
4.1.1. para utilizar el aprendizaje supervisado primero se utiliza el no supervisado, para identificar características del modelo a trabajar, se realizan pruebas y usan un conjunto de datos que no se utilizaron antes. Para precisar resultados óptimos los datos deben ser correctos en modelo y entorno de producción.
4.2. Aplicación
4.2.1. Puntuación crediticia
4.2.2. negociación algoritmica
4.2.3. clasificación de bonos
4.2.4. clasificar y rastrear objetos
4.2.5. detección de valores atipicos
4.2.6. Estimación de vida útil de equipos industriales
4.3. Categorías
4.3.1. Regresión logística
4.3.2. Support vector machine
4.3.3. Redes neuronales
4.3.4. Clasificador Naive Bayes
4.3.5. Árbol de decisión
4.3.6. Análisis discriminante