Introducción al Aprendizaje Automático Explorando sus muchas formas

Explorando las diversas formas del Aprendizaje Automático Una introducción completa

Vamos a entender el aprendizaje automático en términos sencillos.

En estos días, el aprendizaje automático está en todas partes, ¿verdad? Si estás aquí, ¡quizás te haya surgido la curiosidad sobre qué es exactamente el aprendizaje automático! Permíteme explicártelo en términos sencillos. A grandes rasgos, el aprendizaje automático se trata de enseñar a las computadoras a tomar decisiones inteligentes mostrándoles muchos ejemplos y permitiéndoles aprender de los datos. ¡Vamos a hablar más sobre esto, y aquí está lo que nos espera!

Tabla de contenidos

1. Cómo funciona el aprendizaje automático ∘ Aplicaciones del aprendizaje automático
2. Tipos de aprendizaje automático
3. Aprendizaje automático supervisado ∘ Tipos de aprendizaje supervisado ∘ Regresión ∘ Clasificación
4. Aprendizaje automático no supervisado ∘ Tipos de aprendizaje no supervisado ∘ Algoritmos de agrupación ∘ Reducción de dimensionalidad ∘ Detección de anomalías ∘ Aprendizaje de reglas de asociación ∘ Autoencoders
5. Aprendizaje semisupervisado
6. Aprendizaje por refuerzo

∘ Conclusión ∘ Anuncio #100daysMLDL

Cómo funciona el aprendizaje automático

básicamente, lo que sucede en el aprendizaje automático es que tenemos un fragmento de código ( al que nos referimos como algoritmo ) para encontrar patrones en los datos mediante el análisis de muchos datos anteriores disponibles (este proceso se denomina Entrenamiento). Digamos que la altura de una persona adulta y la altura de su padre tienen un patrón, Altura del padre=m*(altura de la persona)+c.

Basándose en los patrones observados, el algoritmo creará una ecuación matemática ajustando los parámetros (aquí m, c) y encontrando los mejores parámetros que puedan dar una coincidencia precisa de los datos (aquí encuentra los mejores valores para los parámetros m y c, que puedan representar los datos), a lo que nos referimos como un Modelo (digamos, Altura del padre=1*Altura de la persona+0.5). Bueno, no siempre es una ecuación, pero para simplificar nuestro entendimiento, podemos considerarlo de esta manera.

• Disney empaqueta grandes emociones en un pequeño robot
• 7 Formas en que la IA y el Software de Automatización están Cambiando la Industria de la Cerveza
• A.I. Obama’ y presentadores de noticias falsas cómo el audio de IA está invadiendo TikTok

Ahora, con el modelo que tenemos, si alguien dice su altura, podemos predecir la altura de su padre con el modelo que tenemos (la ecuación), ¿verdad? ¡No discutas conmigo si esto no da la predicción correcta para tu altura y la altura de tu padre! ¡Los valores son ficticios!

Pero hay un mar de algoritmos por ahí, así que en el aprendizaje automático, estudiamos estos algoritmos para encontrar el mejor algoritmo que pueda hacer predicciones precisas con tus nuevos datos.

Aplicaciones del aprendizaje automático

Aceptémoslo, el aprendizaje automático está en todas partes, haciendo nuestras vidas más fáciles y convenientes. Aquí tienes algunos ejemplos.

1. Sistemas de recomendación: Imagina que estás en una plataforma de streaming: has visto algunas películas de ciencia ficción y de repente te sugiere más películas de ciencia ficción. ¡Eso es el aprendizaje automático en acción! Analiza tus elecciones pasadas y las de otros espectadores para recomendar contenido que disfrutarás.

2. Asistentes Personales Virtuales: Piensa en Siri, Alexa o Google Assistant: entienden tus comandos de voz y proporcionan respuestas útiles. Los algoritmos de aprendizaje automático les permiten reconocer patrones de habla y mejorar su comprensión de tu voz con el tiempo.

3. Coches Autónomos: Imagina un coche que se conduce solo: los coches autónomos utilizan el aprendizaje automático para interpretar datos de sensores y cámaras, lo que les ayuda a tomar decisiones como cuándo parar, avanzar o cambiar de carril. Aprenden a navegar de forma segura observando el tráfico real.

4. Detección de Fraudes: Cuando tu banco detecta actividad inusual en tu cuenta: nuevamente, los algoritmos de aprendizaje automático entran en juego. Analizan tus patrones de gasto y detectan transacciones que se desvían de la norma, protegiéndote de actividades fraudulentas.

5. Diagnóstico Médico: Cuando los médicos utilizan IA para detectar enfermedades: el aprendizaje automático ayuda a analizar imágenes médicas, como radiografías y resonancias magnéticas, para identificar anomalías de forma temprana. También puede ayudar a predecir resultados de pacientes basándose en datos históricos.

Estas aplicaciones son solo la punta del iceberg y las posibilidades del aprendizaje automático son infinitas en diversos campos. ¿No te parece mágico cuando se pueden predecir nuevos datos, verdad?

Tipos de Aprendizaje Automático

Sabemos que principalmente se trata de encontrar el mejor algoritmo para nuestros datos, ahora es el momento de explorar varias categorías de algoritmos, su propósito y algunas aplicaciones. En líneas generales, se clasifican en 4 categorías: Aprendizaje Supervisado, No supervisado, Semi-supervisado y Reforzamiento. Vamos a entenderlos en detalle.

1. Aprendizaje Automático Supervisado

Este es el más popular para realizar operaciones de aprendizaje automático. Se utiliza para los datos donde hay una correspondencia precisa entre los datos de entrada y salida. Por ejemplo, esta forma de 🍎, tenemos una etiqueta precisa que la identifica como “Manzana”. Mostramos algunas de estas formas al algoritmo (mediante código) y la próxima vez que muestres esa forma, se predice como una manzana.

Dados los datos en forma de ejemplos con etiquetas, podemos enviarlos al algoritmo y con el tiempo, el algoritmo encontrará el patrón aproximado entre los ejemplos y sus etiquetas. Una vez que esté completamente entrenado, podemos enviar los nuevos datos al modelo generado y este hará una predicción.

Estos algoritmos supervisados se denominan ‘Orientados a Tareas’. A medida que le proporcionamos más datos, podrá aprender de manera más adecuada para hacer mejores predicciones.

Algunas aplicaciones:1. Reconocimiento Facial2. Reconocimiento de Voz3. Clasificación de SpamY muchas más…

Tipos de Aprendizaje Automático Supervisado

En general, podemos clasificar el aprendizaje automático supervisado en 2 categorías 1. Regresión2. Clasificación

Regresión

Para simplificarlo, los algoritmos de Regresión predicen una variable continua (entero/decimal) en función de las variables de entrada. El ejemplo utilizado al inicio de este artículo se puede considerar un algoritmo de regresión supervisada, que predice la altura del padre en función de la altura de una persona adulta. Porque la altura que estamos prediciendo será una variable continua (decimal).

Algoritmos de Regresión

1. Regresión Lineal
2. Regresión Polinómica
3. Regresión Lasso
4. Regresión Ridge
5. Regresión Exponencial
6. Regresión Logarítmica

Algunas Aplicaciones

• Predicción de la puntuación de un estudiante basada en las puntuaciones previas de los exámenes.
• Predicción del precio de una casa en función del tamaño de la habitación, la ubicación, etc.

Clasificación

Utilizamos algoritmos de clasificación para predecir categorías, pero no variables continuas. Por ejemplo, si quieres especificar si un correo electrónico es spam o no, aquí la variable de predicción no es un número, es solo una categoría de sí o no.

Algoritmos de clasificación

1. Regresión Logística
2. K-Vecinos más Cercanos
3. Árboles de Decisión
4. Bosques Aleatorios
5. Máquina de Soporte Vectorial
6. Naive Bayes
7. Ada-Boost
8. XG Boost
9. Gradient Boosting

Algunas aplicaciones

• Detección de spam en correos electrónicos basada en datos anteriores.
• Clasificación de imágenes para identificar entre gato y perro.

2. Aprendizaje automático no supervisado

Como su nombre indica, podemos verlo como lo opuesto al aprendizaje automático supervisado. En el aprendizaje supervisado, tenemos una etiqueta de entrada y salida, mientras que en el no supervisado, ¡hay datos de entrada, pero los datos no están etiquetados explícitamente! Estos algoritmos pueden aprender de los datos al encontrar patrones implícitos.

Toma un ejemplo de mostrar diferentes frutas a un algoritmo desde una canasta, y con base en la forma, tamaño y colores, lo separará en diferentes grupos, y cuando muestres una nueva fruta, entonces hará una predicción del grupo.

Los algoritmos no supervisados identifican los datos en base a varios factores, como su densidad, estructuras, segmentos similares y otras características similares.

Algunas aplicaciones

• Sistemas de recomendación
• Análisis del comportamiento del cliente
• Agrupación de artículos de noticias

y muchos más…

Tipos de aprendizaje automático no supervisado

En términos generales, se pueden clasificar en 5 categorías:

1. Algoritmos de agrupamiento
2. Reducción de dimensionalidad
3. Detección de anomalías
4. Aprendizaje de reglas de asociación
5. Autoencoders

Entendamos el propósito de cada una de estas categorías y exploremos los algoritmos que se encuentran en ellas.

Algoritmos de agrupamiento

Agrupamiento es una técnica de agrupar conjuntos similares de objetos en el mismo grupo que son diferentes de los objetos en otros grupos, basado en sus similitudes. Similar a la segmentación mencionada anteriormente de las frutas en la cesta.

Algoritmos de agrupamiento

1. Análisis de k-medias
2. DBSCAN
3. Agrupamiento jerárquico
4. Mean Shift

Reducción de dimensionalidad

La reducción de dimensionalidad consiste en simplificar un problema complejo centrándose en sus aspectos más importantes. Es una técnica que reduce el número de características (dimensiones) en un conjunto de datos mientras retiene su información esencial. Esta simplificación hace que el análisis de datos sea más eficiente y más fácil de visualizar.

Algoritmos de reducción de dimensionalidad

1. Análisis de Componentes Principales (PCA)
2. t-Distributed Stochastic Neighbor Embedding (t-SNE)

Detección de anomalías

La detección de anomalías es similar a encontrar el elemento extraño en un grupo. Es una técnica utilizada en el análisis de datos para identificar puntos de datos inusuales o raros que no se ajustan a los patrones esperados, básicamente los valores atípicos. Esto es valioso para detectar anomalías en diversos campos, desde la detección de fraudes en transacciones financieras hasta la identificación de fallas en equipos en sistemas industriales. Entrena un modelo solo con una clase, si algo está fuera de esta clase, puede ser una anomalía.

Algoritmos de detección de anomalías

1. K-Means de una sola clase
2. Máquina de Soporte Vectorial de una sola clase
3. Bosques de Aislamiento

Aprendizaje de reglas de asociación

El aprendizaje de reglas de asociación es como encontrar conexiones interesantes entre las cosas que la gente compra en una tienda. Es una técnica de aprendizaje automático que descubre relaciones en los datos, ayudando a identificar patrones, tendencias y asociaciones entre elementos o eventos. El aprendizaje de reglas de asociación es una herramienta valiosa para comprender el comportamiento del consumidor, optimizar el inventario y mejorar las recomendaciones personalizadas.

Algoritmos bajo AR

1. Apriori
2. FP-Growth (Crecimiento de patrones frecuentes)
3. Algoritmo Eclat

Autoencoders

Son un tipo de red neural que toma datos complejos, comprime los datos en un código y luego intenta recrear los datos de entrada a partir de un código resumido. Este proceso de compresión-descompresión se puede utilizar para eliminar ruido de datos visuales como imágenes, video y exploraciones médicas para mejorar la calidad.

3. Aprendizaje Semisupervisado

El aprendizaje semisupervisado es, en su mayoría, lo que suena, un conjunto de datos de entrenamiento con conjuntos de datos etiquetados y no etiquetados. Este método es particularmente útil cuando extraer características relevantes de los datos es difícil y ¡etiquetar todos los ejemplos consume mucho tiempo!

Un método de entrenamiento popular que comienza con un conjunto bastante pequeño de datos etiquetados es utilizar Redes Generativas Antagónicas (GAN), como dos redes de aprendizaje profundo en competencia, ¡cada una tratando de superar a la otra!

Una de las redes, llamada generador, trata de crear nuevos puntos de datos que imiten los datos de entrenamiento. La otra red, el discriminador, evalúa si los datos generados son parte de los datos de entrenamiento o son falsos.

Las redes mejoran en un ciclo de retroalimentación positiva a medida que el discriminador se vuelve mejor para separar lo falso de lo original, y el generador mejora su capacidad para crear falsos convincentes.

Ejemplo: imágenes médicas como tomografías computarizadas o resonancias magnéticas.

4. Aprendizaje por Refuerzo

Es un enfoque donde un agente aprende a tomar decisiones interactuando con un entorno. El agente toma acciones, recibe retroalimentación en forma de recompensas o castigos, y ajusta su comportamiento para maximizar las recompensas a largo plazo. A menudo se utiliza en robótica, juegos y sistemas autónomos, al igual que el método de prueba y error.

El objetivo general es predecir el mejor siguiente paso para obtener la mayor recompensa final. Si tomamos el juego de ajedrez, cada acción puede ser cada movimiento, y el estado será la situación actual del juego, las recompensas en el medio de los pasos pueden ser las piezas del oponente que captura. La mayor recompensa final es ganar el juego. Por lo tanto, aprende todo a través de la experiencia.

Conclusión

Espero que hayas entendido claramente qué es el aprendizaje automático y hayas comprendido que el aprendizaje supervisado es cuando se proporcionan datos con etiquetas, y el no supervisado es cuando se proporcionan datos sin etiquetas específicas al algoritmo, mientras que el aprendizaje semisupervisado se trata de tener la mitad de los datos etiquetados y la otra mitad sin etiquetas, y el aprendizaje por refuerzo es completamente mágico, donde aprende todo a través de prueba y error, ¡hermoso debo decirlo!

Esta es la base que necesitas saber sobre el aprendizaje automático antes de sumergirte en el aprendizaje de estos algoritmos. Aprender los algoritmos en detalle es crucial en la ciencia de datos, yo mismo he estado en este increíble viaje y en los próximos días publicaré detalles e intuición sobre estos algoritmos. ¡Sígueme para obtener más y suscríbete para no perderte ningún emocionante artículo sobre ciencia de datos!

Si estás interesado en Pandas, Numpy, Matplolib, Seaborn y Plotly, entonces no busques más, también tengo artículos detallados sobre estas bibliotecas esenciales para la ciencia de datos. Aquí tienes una lista curada.

RaviTeja G

Guías detalladas para todas las bibliotecas esenciales de ciencia de datos

Ver lista8 historias

Anuncio #100daysMLDL

Día 18/100 — Introducción al aprendizaje automático.

Simplemente dirígete a mi repositorio de GitHub para tener acceso directo a todo el código y los recursos. Aquí está el enlace al repositorio del desafío. ¡Los invito a todos a unirse a mí en este emocionante viaje! Ya seas un entusiasta de los datos o simplemente tengas curiosidad sobre el mundo del aprendizaje automático, hay algo aquí para todos. Aprendamos, crezcamos e inspiremos juntos. Gracias por leer, Feliz aprendizaje y que tengas un buen día 🙂

We will continue to update Zepes; if you have any questions or suggestions, please contact us!