disculpe podrían darme un ejemplo en la vida real de cuando utilizar estos
-
Algoritmos evolutivos
-
Lógica difusa
-
Agentes
-
Sistemas expertos
Aprender los conceptos clave
Todo lo que aprenderás sobre MA con Scikit-Learn
¿Cómo aprenden las máquinas?
Problemas que podemos resolver con Scikit-learn
Las matemáticas que vamos a necesitar
Iniciar un proyecto con sklearn
Configuración de nuestro entorno Python
Instalación de librerías en Python
Datasets que usaremos en el curso
Optimización de features
¿Cómo afectan nuestros features a los modelos de Machine Learning?
Introducción al PCA
Preparación de datos para PCA e IPCA
Implementación del algoritmo PCA e IPCA
Kernels y KPCA
¿Qué es la regularización y cómo aplicarla?
Implementación de Lasso y Ridge
Explicación resultado de la implementación
ElasticNet: Una técnica intermedia
Regresiones robustas
El problema de los valores atípicos
Regresiones Robustas en Scikit-learn
Preparación de datos para la regresión robusta
Implementación regresión robusta
Métodos de ensamble aplicados a clasificación
¿Qué son los métodos de ensamble?
Preparación de datos para implementar métodos de ensamble
Implementación de Bagging
Implementación de Boosting
Clustering
Estrategias de Clustering
Implementación de Batch K-Means
Implementación de Mean-Shift
Optimización paramétrica
Validación de nuestro modelo usando Cross Validation
Implementación de K-Folds Cross Validation
Optimización paramétrica
Implementación de Randomized
Bonus: Auto Machine Learning
Salida a producción
Revisión de nuestra arquitectura de código
Importar y exportar modelos con Sklearn
Creación de una API con Flask para el modelo
Cierre del curso
Material adicional para consultar
Resources
Transcript
How does the data perspective influence machine learning?
In the world of machine learning, data is the cornerstone for the development of any accurate and effective model. Properly analyzed and interpreted data allows us to move towards more informed conclusions and improve predictive models. In addressing this issue, we can identify three main learning scenarios: supervised, unsupervised and reinforcement learning. Each offers a different approach and suits various needs and data structures.
What is supervised learning?
Supervised learning, also known as "observational learning," focuses on training models by observing labeled data.
-
Classification: Input data comes with labels that classify information. For example, in a model that differentiates between images of cats and dogs, each image carries a corresponding label.
-
Regression: Here, each input has a numerical value associated with it, which helps predict continuous values. Examples include predicting the price of a house using characteristics such as size and location.
The key to this type of learning is that, through the data, we can more accurately infer or predict the desired information.
What characterizes reinforcement learning?
Reinforcement learning is similar to classical conditioning in psychology, where specific actions are rewarded or punished.
-
Autonomous decisions: The machine or model makes decisions based on previous experience and in a test environment. Each decision is evaluated as positive or negative.
-
Continuous improvement: Based on rewards or punishments, the model adjusts its future decisions to maximize rewards.
This approach is considered a variation of supervised learning in that it works with less explicit information.
How does unsupervised learning work?
Unsupervised learning is used when there is no advance information about expected outcomes or when the data set is too complex.
-
Pattern discovery: Using clustering or dimensionality reduction techniques, hidden patterns or unexpected relationships are identified.
-
Exploratory analysis: The data, in its raw and unlabeled state, reveals its own nature and structure.
This method is useful for exploring data sets where the information to be extracted has not been previously specified.
What other techniques in artificial intelligence can be used?
Contrary to popular belief, machine learning is only one of many facets of artificial intelligence. Other techniques may be more appropriate depending on the nature of the problem:
-
Evolutionary algorithms: ideal for optimization problems that can be expressed as functions. These algorithms simulate the process of biological evolution.
-
Fuzzy logic: Useful when the problem involves continuous variables and uncertainties or inaccuracies need to be handled.
-
Agent-oriented programming: Suitable for environments where multiple agents interact, either among themselves or with the context.
-
Expert systems: Used to develop rule systems that answer specific questions about the data, useful in complex analyses such as automated medical diagnostics.
By considering these approaches, you can optimize your use of artificial intelligence, choosing the technique that best suits your data and problem needs - keep exploring and learning to take full advantage of the potential of machine learning!
Contributions 15
Questions 5
Sort by:
Usar:
- Aprendizaje supervisado ➜ si de los datos se puede extraer con anticipación información precisa del resultado que esperamos.
- Aprendizaje por refuerzo ➜ Si de los datos no se puede sacar exactamente la información que queremos predecir, pero si podemos dejar que el modelo tome decisiones y evalue si estas decisiones son buenas o malas.
- Aprendizaje no supervisado ➜ cuando no se tiene ninguna información adicional sobre lo que esperamos, sino que los datos por sí solos nos van a revelar información relevante sobre su propia naturaleza y estructura.
***<u>Tipos de algoritmos:</u>***
---------------------------------
**1. Algoritmos evolutivos:**
Los algoritmos evolutivos se basan en la evolución natural para encontrar soluciones a problemas complejos. Se inspiran en procesos como la selección natural, la recombinación genética y la mutación para generar nuevas soluciones y mejorarlas gradualmente.
**Características:**
* **Población de soluciones:** Trabajan con una población de soluciones candidatas, no con una única solución.
* **Iteración:** Se basan en un proceso iterativo de mejora.
* **Evaluación:** Las soluciones se evalúan en función de su capacidad para resolver el problema.
* **Selección:** Las mejores soluciones se seleccionan para reproducirse y generar nuevas soluciones.
* **Recombinación:** Se combinan características de diferentes soluciones para crear nuevas.
* **Mutación:** Se introducen cambios aleatorios en las soluciones para explorar nuevas posibilidades.
**Aplicaciones:**
* Optimización de problemas complejos (ingeniería, finanzas)
* Aprendizaje automático
* Diseño de software
* Robótica
**2. Lógica difusa:**
La lógica difusa es un enfoque para el manejo de la incertidumbre y la imprecisión. Permite representar el conocimiento de forma más flexible que la lógica booleana tradicional, utilizando valores intermedios entre verdadero y falso.
**Características:**
* **Variables lingüísticas:** Se utilizan variables que pueden tomar valores lingüísticos, como "bajo", "medio" o "alto".
* **Funciones de pertenencia:** Se definen funciones que asocian cada valor de una variable lingüística con un grado de verdad.
* **Reglas difusas:** Se establecen reglas que relacionan las variables lingüísticas entre sí.
* **Inferencia difusa:** Se utiliza la información de las funciones de pertenencia y las reglas difusas para obtener un resultado.
**Aplicaciones:**
* Control de sistemas
* Toma de decisiones
* Diagnóstico de averías
* Procesamiento del lenguaje natural
**3. Agentes:**
Los agentes son entidades autónomas que pueden interactuar con su entorno para alcanzar objetivos. Son capaces de percibir el entorno, tomar decisiones y actuar en función de sus objetivos.
**Características:**
* **Autonomía:** Los agentes pueden actuar por sí mismos sin necesidad de intervención humana.
* **Reactividad:** Los agentes pueden percibir cambios en su entorno y reaccionar a ellos.
* **Proactividad:** Los agentes pueden tomar la iniciativa y actuar para alcanzar sus objetivos.
* **Socialidad:** Los agentes pueden interactuar con otros agentes y con el entorno.
**Aplicaciones:**
* Simulación de sistemas
* Robótica
* Sistemas multiagentes
* Juegos
**4. Sistemas expertos:**
Los sistemas expertos son programas informáticos que capturan el conocimiento de expertos en un dominio específico para resolver problemas complejos.
**Características:**
* **Base de conocimiento:** Contiene información sobre el dominio del problema.
* **Motor de inferencia:** Utiliza la base de conocimiento para resolver problemas.
* **Interfaz de usuario:** Permite a los usuarios interactuar con el sistema.
**Aplicaciones:**
* Diagnóstico médico
* Asesoramiento financiero
* Ingeniería
* Análisis de datos
- Los datos son todo: si tenemos correctamente analizados podemos llegar a modelos más efectivos.
- Aprendizaje supervisado: por observación
- Aprendizaje no supervisado: Descubrimiento. Intentamos descubrir patrones o relaciones.
- Aprendizaje por refuerzo: Prueba y error.
- Opciones a ML: Algoritmos evolutivos(optimización), Lógica difusa(variables continuas), Agentes, Sistemas expertos(Sistema de reglas para responder preguntas concretas )
Aclaración! El condicionamiento al cual hace referencia el profesor, en realidad, se llama “Condicionamiento Operante o Instrumental” donde se refuerza o se castiga después que se da una conducta.
Mientras que, el “Condicionamiento Clásico” es la asociación de una conducta a un estimulo neutro que se presenta antes de dicha conducta.
Me he encontrado con frecuencias en textos donde distinguen también el semi-supervisado.
De un gran conjunto de datos se se puede obtener un pequeño conjunto datos etiquetado, pero que es parte de un subconjunto muy grande que no esta etiquetado. Por ejemplo Clasificación de contenido Web.
1. Algoritmos Evolutivos: Los algoritmos evolutivos son una técnica inspirada en la evolución biológica. Simulan procesos de selección natural y evolución para resolver problemas de optimización y búsqueda en espacios de soluciones muy amplios. Estos algoritmos crean poblaciones de soluciones candidatas, las combinan y modifican a lo largo de generaciones para buscar la mejor solución posible. Ejemplos incluyen algoritmos genéticos, programación genética y estrategias evolutivas. 2. Lógica Difusa: La lógica difusa
Cuales son los algoritmos de aprendizaje por refuerzo?
Solo se me ocurre Q learning
Esta muy emocionante el curso, el profesor con muy buena energía!
¿Cómo aprenden las maquinas?
Las maquinas aprenden de datos. Desde el punto de vista de los datos, podemos aplicar tres técnicas según la naturaleza y disponibilidad de los mismos:
-
- Aprendizaje supervisado: Algoritmo por observación.
-
- Aprendizaje no supervisado: Algoritmo por prueba y error.
-
- Aprendizaje por refuerzo: Algoritmo por descubrimiento.
Aquí unas pequeñas comparaciones entre el aprendizaje de las máquinas y Caperucita roja:
* En el **aprendizaje supervisado**, alguien le da ejemplos etiquetados a Caperucita, como la madre enseñándole cómo es el lobo.
* En el **aprendizaje no supervisado**, Caperucita agrupa animales por su cuenta sin saber de antemano cuáles son peligrosos.
* En el **aprendizaje por refuerzo**, Caperucita aprende a partir de las consecuencias de sus acciones, ajustando su comportamiento con base en recompensas y castigos (como escapar del lobo o sufrir un ataque).
Este curso es de los mejores que he tomado en Platzi, estoy tomando varias de sus clases nuevamente para reforzar 📝
El proceso de aprendizaje automático generalmente se puede dividir en tres etapas principales:
Adquisición de datos:
- Para que una máquina aprenda, primero debe estar expuesta a datos relevantes para la tarea que se quiere realizar.
Estos datos pueden ser ejemplos de entrada y salida o características que describen las relaciones entre las entradas y las salidas.
Por ejemplo, para enseñar a una máquina a reconocer gatos en imágenes, se necesitarían muchas imágenes de gatos etiquetadas como “gato” y “no gato”.
Entrenamiento del modelo:
- Una vez que se tienen los datos, se utiliza un algoritmo de aprendizaje automático para construir un modelo.
Este modelo es una representación matemática que captura las relaciones entre las entradas y las salidas.
Durante el entrenamiento, el algoritmo ajusta los parámetros del modelo para que pueda hacer predicciones precisas.
En el caso del reconocimiento de gatos, el modelo intentaría encontrar patrones en las imágenes que distingan a los gatos de otras cosas.
Evaluación y ajuste:
- Después de entrenar el modelo, se evalúa su rendimiento utilizando datos que no ha visto antes. Esto ayuda a verificar si el modelo generaliza bien y puede hacer predicciones precisas en nuevas situaciones.
Si el rendimiento no es satisfactorio, se pueden realizar ajustes en el algoritmo, los parámetros del modelo o la cantidad y calidad de los datos de entrenamiento.
Este proceso de iteración se repite hasta que el modelo alcance un nivel aceptable de precisión y generalización.
Los algoritmos evolutivos so métodos de optimización y búsqueda estocásticos basados en los postulados de la evolución biológica. En ellos se mantiene un conjunto de entidades que representan posibles soluciones, las cuales se mezclan, y compiten entre sí, de tal manera que las más aptas son capaces de prevalecer a traves del tiempo, evolucionando hacia mejores soluciones cada vez.
Want to see more contributions, questions and answers from the community?