Tipos de modelos de machine learning

Esto de to hear in ingles but to read las diapositivas in spanish me provoca un neural short circuit 🥴

Machine Learning

Supervised Learning

Unsupervised Learning

Los modelos de machine learning (aprendizaje automático) se pueden clasificar en varias categorías, dependiendo de cómo aprenden de los datos y cómo realizan predicciones o toman decisiones. Aquí están los tipos principales: 1. **Aprendizaje Supervisado**: Estos modelos se entrenan con datos etiquetados, lo que significa que cada ejemplo en el conjunto de entrenamiento está asociado con la respuesta correcta (etiqueta). El objetivo es aprender un mapeo de las entradas a las salidas. Ejemplos comunes incluyen: * **Regresión Lineal**: Predice valores continuos. * **Regresión Logística**: Utilizado para clasificación binaria. * **Árboles de Decisión y Bosques Aleatorios**: Pueden usarse para clasificación y regresión. * **Máquinas de Soporte Vectorial (SVM)**: Para clasificación y regresión. * **Redes Neuronales**: Ampliamente utilizadas en tareas complejas como el reconocimiento de imágenes y voz. 2. **Aprendizaje No Supervisado**: Estos modelos trabajan con datos no etiquetados. El objetivo es explorar la estructura de los datos para extraer patrones significativos. * **Clustering (Agrupamiento)**: Como K-means, para agrupar datos en subconjuntos basados en similitudes. * **Reducción de Dimensionalidad**: Como el Análisis de Componentes Principales (PCA), para reducir el número de variables. * **Reglas de Asociación**: Como el algoritmo A priori, para descubrir relaciones entre variables. 3. **Aprendizaje Semi-Supervisado**: Combina un pequeño conjunto de datos etiquetados con un gran conjunto de datos no etiquetados durante el entrenamiento. Es útil cuando las etiquetas son costosas de obtener. 4. **Aprendizaje por Refuerzo**: En este tipo, los modelos aprenden a tomar decisiones secuenciales. Reciben señales de recompensa o penalización a medida que interactúan con un entorno. Ejemplos incluyen: * **Q-Learning** * **Deep Q Networks (DQN)** * **Política de Gradientes** 5. **Aprendizaje Profundo (Deep Learning)**: Un subcampo del aprendizaje automático que utiliza redes neuronales con muchas capas. Es muy efectivo en tareas complejas como el procesamiento del lenguaje natural y el reconocimiento de imágenes y voz. 6. **Modelos Híbridos/Ensemble Learning**: Combinan múltiples modelos de machine learning para mejorar el rendimiento. Ejemplos incluyen: * **Bagging**: Como el Bosque Aleatorio. * **Boosting**: Como XGBoost, AdaBoost. * **Stacking**: Combinar las predicciones de múltiples modelos. Cada tipo de modelo tiene sus propias fortalezas y debilidades, y la elección del modelo adecuado depende en gran medida del problema específico, la naturaleza de los datos disponibles y los objetivos del análisis.

MACHINE LEARNING SUPERVISADO El modelo obtine features de entrada y salida. Hay un target/objetivo a predecir. Regresion lineal(Estimacion de esperanza de vida, Advertising popularity prediction, Pronostico de temperatura, mercado): Target output (objetivo de salida) es numerico. Clasificacion: (Clasificacion de imagenes, Retencion de clientes, Deteccion de fraudes de identidad, diagnostico) Target output es una etiqueta. Regresion logistica. Random forest. NO SUPERVISADO Objetivo desconocido, queremos encontrar estructira y grupos dentro de los datos. Clustering: Queremos encontrar grupos en los datos. K-means. Hierarchical clustering Dimensionality reduction: Queremos encontrar que features de entrada en los datos son de ayuda. PCA Analisis de componentes principales. TSNE.

# Aprendizaje Supervisado El objetivo de este aprendizaje es tomar features de entrada y predecir una variable objetivo de salida. Puede ser tanto para muchas features como para una sola, la salida siempre es una. El aprendizaje supervisado se divide en dos: * **Regresion**: Tiene como objetivo predecir un valor numerico o cuantitativo. * **Clasificacion**: El objetivo es predecir una variable de tipo categorica bien sea una etiqueta o agrupacion.

# Aprendizaje No Supervisado Si el objetivo es desconocido, necesitamos ser capaces de encontrar algun tipo de agrupacion o estructura dentro del conjunto de datos. Se clasifica en: * **Clustering**: Es excelente para encontrar grupos en los datos. * **Reduccion de dimensionalidad**: util para encontrar los features de entrada que son de ayuda en los datos.


🤔 Mi conclusión de la clase: 📌 Los algoritmos de aprendizaje supervisado predicen un **target** (clasificación o regresión). Mientras que los algoritmo de aprendizaje no supervisado predicen **estructuras** o **patrones** en los datos.

una duda, si tengo que realizar un modelo en el que se pueda indicar si un cliente se le puede otorgar un credito bancario, ahi que tipo de algoritmos se utilizarian, pensaba que seria supervisado con regresion logistica, pero no estoy seguro a doubt, if I have to make a model in which I can indicate if a client can be granted a bank credit, then what kind of algorithms would be used, I thought it would be supervised with logistic regression, but I am not sure.

Dear, I have a question about the features in ML. The dimensionality reduction (unsupervised) could be used to find new features and use them in the supervised models? Considering that in the unsupervised, you don't have a clear objective.

Reference get from the diapositives:

• Which Machine Learning Algorithm Should You USe By Problem Type?

Otros dos aprendizajes suprvisados

Aprendizaje semisupervisado:

• En el aprendizaje semisupervisado, se utiliza un conjunto de datos que tiene una combinación de datos etiquetados y no etiquetados. El modelo se entrena inicialmente con los datos etiquetados y luego se utiliza para inferir y asignar etiquetas a los datos no etiquetados. Este enfoque es útil cuando hay una gran cantidad de datos no etiquetados y etiquetarlos manualmente sería costoso o impracticable.

Aprendizaje por transferencia:

• En el aprendizaje por transferencia, se utiliza el conocimiento o la experiencia aprendida de un problema para resolver otro problema relacionado. En lugar de entrenar un modelo desde cero, se aprovecha un modelo preentrenado y se ajusta o se transfieren sus conocimientos a una nueva tarea. Esto puede acelerar el proceso de entrenamiento y mejorar el rendimiento del modelo.

---

También hay otros enfoques y variantes, como el aprendizaje profundo (deep learning), que utiliza redes neuronales profundas para el procesamiento de datos. La elección del tipo de modelo depende del problema específico que se esté abordando y de los datos disponibles.

Para complementar:
¿Qué es el Machine Learning?¿Y Deep Learning? Un mapa conceptual | DotCSV
https://youtu.be/KytW151dpqU?list=PL-Ogd76BhmcC_E2RjgIIJZd1DQdYHcVf0

¿Qué es el Aprendizaje Supervisado y No Supervisado? | DotCSV
https://youtu.be/oT3arRRB2Cw?list=PL-Ogd76BhmcC_E2RjgIIJZd1DQdYHcVf0