Algoritmos de Aprendizaje Supervisado 2020-10341

Nombre
Félix Junior
Apellido
Castillo García
Matrícula
2020-10341
Materia
Inteligencia Artificial
(Grupo 11 )
Profesor
Marisol Alvarez Salcedo
Tema
Asignacion 11 Algoritmos de aprendizaje supervisado
Definición de aprendizaje 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.
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.
Por el contrario, el aprendizaje no supervisado es un tipo de Machine Learning que se

utiliza para identificar nuevos patrones y detectar anomalías. Los datos que se
introducen en los algoritmos de aprendizaje no supervisados no están etiquetados. El
algoritmo (o modelos) intentan dar sentido a los datos por sí mismos mediante la
búsqueda de características y patrones. Una pregunta de muestra que Machine
Learning sin supervisión podría responder es "¿Están surgiendo nuevos clústeres de
fraude o patrones de compra o modos de falla?" El aprendizaje no supervisado utiliza
el agrupamiento, los componentes principales, las redes neuronales y las máquinas de
vectores de soporte.
Algoritmos de aprendizaje supervisado
Los algoritmos de aprendizaje supervisado basan su aprendizaje en un juego de datos

de entrenamiento previamente etiquetados. Por etiquetado entendemos que para cada
ocurrencia del juego de datos de entrenamiento conocemos el valor de su atributo
objetivo. Esto le permitirá al algoritmo poder “aprender” una función capaz de
predecir el atributo objetivo para un juego de datos nuevo. Las dos grandes familias de
algoritmos supervisados son:
● Los algoritmos de regresión cuando el resultado a predecir es un
atributo numérico.
● Los algoritmos de clasificación cuando el resultado a predecir es un
atributo categórico.
Ejemplos de este tipo de algoritmos son los modelos de regresión lineal y logística, los
árboles de decisión, las redes neuronales y K-NN (k -nearest neighbor).
Áreas de aplicación del aprendizaje supervisado
El aprendizaje supervisado se suele usar en: Problemas de clasificación (identificación

de dígitos, diagnósticos, o detección de fraude de identidad).
El aprendizaje supervisado se emplea: en aplicaciones financieras, para puntuación

crediticia, negociación algorítmica y clasificación de bonos; en aplicaciones de
imagen y vídeo, para clasificar y rastrear objetos; en aplicaciones industriales, para
detectar valores atípicos; en mantenimiento predictivo, para estimar la vida útil de
equipos industriales; en aplicaciones biológicas, para detectar tumores y descubrir
fármacos; y en aplicaciones de energía eléctrica, para pronosticar la generación de
electricidad y tarifas correspondientes.
Los algoritmos más utilizados en Aprendizaje Supervisado son:
● k-Nearest Neighbors
● Linear Regression
● Logistic Regression
● Support Vector Machines
● Bayesian Classifiers
● Decision Trees and Random Forest
● Neural Networks
● Deep Learning
Definición de la regresión lineal.

La regresión lineal es una técnica de modelado estadístico que se emplea para
describir una variable de respuesta continua como una función de una o varias
variables predictoras. Puede ayudar a comprender y predecir el comportamiento de
sistemas complejos o a analizar datos experimentales, financieros y biológicos. Las
técnicas de regresión lineal permiten crear un modelo lineal. Este modelo describe la
relación entre una variable dependiente y (también conocida como la respuesta)
como una función de una o varias variables independientes.
Características
La regresión lineal cuenta con ciertas características ideales para las siguientes
aplicaciones:
● Predicción o pronóstico: utilice un modelo de regresión para crear un modelo

de pronóstico para un conjunto de datos específico. A partir de la moda, se
puede usar la regresión para predecir valores de respuesta donde solo se
conocen los predictores.
● Fuerza de la regresión: utilice un modelo de regresión para determinar si

existe una relación entre una variable y un predictor,y cuán estrecha es esta
relación.
Tipos de regresión lineal
● Regresión lineal simple: El análisis de la regresión lineal se utiliza para

predecir el valor de una variable según el valor de otra. La variable que desea
predecir se denomina variable dependiente. La variable que se está utilizando
para predecir el valor de la otra variable se denomina variable independiente.
● Regresión lineal múltiple: La regresión lineal múltiple permite generar un

modelo lineal en el que el valor de la variable dependiente o respuesta (Y) se
determina a partir de un conjunto de variables independientes llamadas
predictores (X1, X2, X3…). Es una extensión de la regresión lineal simple, por
lo que es fundamental comprender esta última.
● Regresión lineal multivariante: La regresión lineal múltiple trata de ajustar

modelos lineales o linealizables entre una variable dependiente y más de una
variables independientes. En este tipo de modelos es importante testar la
heterocedasticidad, la multicolinealidad y la especificación.
● Regresión lineal múltiple multivariante: La regresión lineal múltiple trata de
ajustar modelos lineales o linealizables entre una variable dependiente y más de
una variables independientes. En este tipo de modelos es importante testar la
heterocedasticidad, la multicolinealidad y la especificación.
Aplicaciones
La regresión lineal puede aplicarse a varias áreas de la empresa y de los estudios

académicos. Descubrirá que la regresión lineal se utiliza en todo, desde las ciencias
biológicas, conductuales, ambientales y sociales hasta en los negocios. Los modelos
de regresión lineal son relativamente sencillos y proporcionan una fórmula
matemática fácil de interpretar que puede generar predicciones.
Los modelos de regresión lineal se han convertido en una forma comprobada de

predecir el futuro de forma científica y confiable. Como la regresión lineal es un
procedimiento estadístico establecido hace mucho tiempo, las propiedades de sus
modelos de regresión lineal se conocen bien y pueden enseñarse muy rápido.
Los líderes de empresas y organizaciones pueden tomar mejores decisiones con

técnicas de regresión lineal. Las organizaciones recopilan enormes cantidades de
datos, y la regresión lineal les ayuda a utilizar esos datos para gestionar mejor la
realidad, en lugar de depender de la experiencia y la intuición. Es posible tomar
grandes cantidades de datos sin procesar y transformarlos en información accionable.
La regresión lineal también puede utilizarse para proporcionar mejores insights

mediante el descubrimiento de patrones y relaciones que sus colegas ya pueden haber
visto y pensado que habían entendido. Por ejemplo, el análisis de los datos de ventas y
compras puede ayudarle a descubrir patrones de compra específicos para días o
momentos determinados. Los insights que se recopilan de los análisis de regresión
pueden ayudar a que los líderes de empresas anticipen los momentos en los cuales los
productos tendrán una demanda alta.

Algoritmos de Aprendizaje Supervisado 2020-10341

Cargado por

Copyright:

Formatos disponibles

Algoritmos de Aprendizaje Supervisado 2020-10341

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algoritmos de Aprendizaje Supervisado 2020-10341

Cargado por

Copyright:

Formatos disponibles

Nombre

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

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

Por el contrario, el aprendizaje no supervisado es un tipo de Machine Learning que se

Algoritmos de aprendizaje supervisado

Los algoritmos de aprendizaje supervisado basan su aprendizaje en un juego de datos

Áreas de aplicación del aprendizaje supervisado

El aprendizaje supervisado se suele usar en: Problemas de clasificación (identificación

El aprendizaje supervisado se emplea: en aplicaciones financieras, para puntuación

Los algoritmos más utilizados en Aprendizaje Supervisado son:

Definición de la regresión lineal.

● Predicción o pronóstico: utilice un modelo de regresión para crear un modelo

● Fuerza de la regresión: utilice un modelo de regresión para determinar si

Tipos de regresión lineal

● Regresión lineal simple: El análisis de la regresión lineal se utiliza para

● Regresión lineal múltiple: La regresión lineal múltiple permite generar un

● Regresión lineal multivariante: La regresión lineal múltiple trata de ajustar

La regresión lineal puede aplicarse a varias áreas de la empresa y de los estudios

Los modelos de regresión lineal se han convertido en una forma comprobada de

Los líderes de empresas y organizaciones pueden tomar mejores decisiones con

La regresión lineal también puede utilizarse para proporcionar mejores insights

También podría gustarte