Aprendizaje Supervisado

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 4

Nombre:

Elvio Jesús Gutiérrez Sosa


Matricula:
2018-7287
Materia:
Inteligencia Artificial
Prof.:
Jorge Ramón Taveras Gonzáles
Tema:
Aprendizaje Supervisado.
Fecha de entrega:
Domingo 28 de noviembre del 2021
Introdución
En este trabajo vamos a profundizar en el mundo de la regresión logística, vamos a
definir el concepto, a explicar ¿Qué es?, ¿Cómo funciona?, ¿Para qué se usa? Y cualquier
otra interrogante que pueda surgir. También mostraremos en sus áreas de uso y como
aplicarlo.

Aprendizajes supervisados

El aprendizaje supervisado es una rama de Machine Learning, un método de


análisis de datos que utiliza algoritmos que aprenden iterativamente de los datos
para permitir que los ordenadores encuentren información escondida sin tener que
programar de manera explícita dónde buscar. El aprendizaje supervisado es uno de
los tres métodos de la forma en que las máquinas "aprenden": supervisado, no
supervisado y optimización.

Tipos de Machine Learning

Los tipos de implementación de machine Learning pueden clasificarse en tres


categorías diferentes:

• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje de refuerzo según la naturaleza de los datos que recibe.

Aprendizaje Supervisado

En el aprendizaje supervisado, los algoritmos trabajan con datos “etiquetados”


(labeled data), intentado encontrar una función que, dadas las variables de entrada
(input data), les asigne la etiqueta de salida adecuada.

El aprendizaje supervisado se suele usar en:

• Problemas de clasificación (identificación de dígitos, diagnósticos, o


detección de fraude de identidad).
• Problemas de regresión (predicciones meteorológicas, de expectativa de
vida, de crecimiento etc.).

Los algoritmos más habituales que aplican para el aprendizaje supervisado son:

1. Árboles de decisión.
2. Clasificación de Naïve Bayes.
3. Regresión por mínimos cuadrados.
4. Regresión Logística.
5. Support Vector Machines (SVM).
6. Métodos “Ensemble” (Conjuntos de clasificadores).
Aprendizaje no Supervisado

El aprendizaje no supervisado tiene lugar cuando no se dispone de datos


“etiquetados” para el entrenamiento. Sólo conocemos los datos de entrada, pero no
existen datos de salida que correspondan a un determinado input.

El aprendizaje no supervisado se suele usar en:

• Problemas de clustering
• Agrupamientos de co-ocurrencias
• Perfilado o profiling.

Los tipos de algoritmo más habituales en aprendizaje no supervisado son:


1. Algoritmos de clustering
2. Análisis de componentes principales
3. Descomposición en valores singulares (singular value decomposition)
4. Análisis de componentes principales (Independent Component Analysis).

Regresión lineal.

Permite determinar el grado de dependencia de las series de valores X e Y,


prediciendo el valor y estimado que se obtendría para un valor x que no esté en la
distribución.

Regresión lineal simple


La regresión lineal simple se basa en estudiar los cambios en una variable, no
aleatoria, afectan a una variable aleatoria, en el caso de existir una relación funcional
entre ambas variables que puede ser establecida por una expresión lineal, es decir, su
representación gráfica es una línea recta. Es decir, se está en presencia de una
regresión lineal simple cuando una variable independiente ejerce influencia sobre
otra variable dependiente.
El objetivo con Regresión Lineal Simple es minimizar la distancia vertical entre
todos los datos y nuestra línea, por lo tanto, para determinar la mejor línea, debemos
minimizar la distancia entre todos los puntos y la distancia de nuestra línea. Existen
muchos métodos para cumplir con este objetivo, pero todos estos métodos tienen un
solo objetivo que es el de minimizar la distancia.
Una forma en que el modelo de regresión encuentre la mejor línea de ajustes es
utilizando el criterio de mínimos cuadrados para reducir el error.
El error es una parte inevitable del proceso de predicción, no importa cuán poderoso
sea el algoritmo que elijamos, siempre habrá un error irreductible. Sabemos que no
podemos eliminar por completo el error, pero aún podemos intentar reducirlo al
nivel más bajo. Justamente es en este momento en que se usa la técnica conocida
como mínimos cuadrados.

Regresión lineal múltiple


La regresión lineal permite trabajar con una variable a nivel de intervalo o razón, así
también se puede comprender la relación de dos o más variables y permitirá
relacionar mediante ecuaciones, una variable en relación con otras variables
llamándose Regresión múltiple. O sea, la regresión lineal múltiple es cuando dos o
más variables independientes influyen sobre una variable dependiente.

Conclusiones
Pudimos notar que el aprendizaje supervisado es uno de los tres modelos a través
del cual las máquinas son capaces de aprender.

Vimos la regresión lineal y sus variantes, un algoritmo que ayuda a predecir o


encontrar el valor de una variable de tipo dicotómica.

También podría gustarte