Capítulo 1

Introducción a Machine Learning

Más datos, más preguntas, mejores respuestas

Los algoritmos de Machine Learning identifican patrones naturales en los datos, que generan conocimiento, ayudan a tomar mejores decisiones y realizar predicciones más acertadas. Se utilizan a diario para tomar decisiones cruciales en diagnósticos médicos, inversiones, predicción de carga energética y otros ámbitos. Las plataformas de streaming dependen de Machine Learning para filtrar millones de opciones y ofrecer recomendaciones sobre canciones o vídeos. Los comerciantes lo utilizan para obtener información sobre el comportamiento de compra de sus clientes.

Brazo de una máquina

Automoción y fabricación, para mantenimiento predictivo

Dos gráficas superpuestas con subidas y bajadas

Finanzas computacionales, para puntuación crediticia y trading algorítmico

Imagen de una cara en blanco con signos más

Procesamiento de imágenes y visión artificial, para reconocimiento facial y detección de objetos

A D N

Biología computacional, para detección de tumores, descubrimiento de fármacos y secuenciación de ADN

Rayo

Producción de energía, para predicción de carga y tarifas

Dos burbujas de diálogo

Procesamiento del lenguaje natural

Aplicaciones del mundo real:

Duración del vídeo 3:51

Cómo funciona Machine Learning

Machine Learning emplea dos tipos de técnicas: aprendizaje supervisado, que entrena un modelo con datos de entrada y salida conocidos para predecir salidas futuras, y aprendizaje no supervisado, que identifica patrones ocultos o estructuras intrínsecas en los datos de entrada.

Cómo seleccionar el algoritmo adecuado

Seleccionar el algoritmo adecuado puede resultar abrumador: existen infinidad de algoritmos de Machine Learning supervisado y no supervisado, y cada uno adopta un enfoque de aprendizaje distinto. No existe un mejor método universal aplicable a todas las situaciones. Encontrar el algoritmo adecuado es una cuestión de ensayo y error; ni los analistas de datos más experimentados pueden saber si un determinado algoritmo funcionará sin probarlo antes. Pero seleccionar el algoritmo también depende del tamaño y tipo de datos con que se trabaje, la información que se desee obtener de los datos y cómo se vaya a emplear la información.

  • Máquinas de vectores de soporte
  • Análisis discriminante
  • Naive Bayes
  • Vecino más cercano
  • Regresión lineal, GLM
  • SVR, GPR
  • Métodos de ensemble
  • Árboles de decisión
  • Redes neuronales
  • K-means, K-medoids
  • Fuzzy C-means
  • Jerárquico
  • Mezcla gaussiana
  • Redes neuronales
  • Modelo oculto de Markov

Cuándo utilizar Machine Learning

Utilice Machine Learning cuando se enfrente a tareas o problemas complejos que impliquen una gran cantidad de datos y variables, pero no disponga de fórmulas o ecuaciones para solucionarlos. Por ejemplo, Machine Learning es buena opción si tiene que gestionar estas situaciones:

Las reglas y ecuaciones son demasiado complejas para desarrollarlas manualmente; por ejemplo, en reconocimiento facial y del habla.

La naturaleza de los datos cambia sin cesar y el programa debe adaptarse, como en trading automatizado, predicción del consumo de energía y predicción de tendencias de compra.

Las reglas de una tarea cambian constantemente, como en detección de fraudes en registros de transacciones.

E-book

Obtenga el e-book completo

Descargue e-book