Machine learning: Aprendizaje Automático.

López Azaña Kenyi Simons

Universidad Peruana Unión; Facultad de Ingeniero y arquitectura; Escuela Profesional
Ingeniería de Sistemas.

Introducción:
 Veremos cómo funciona el machine learning y el aprendizaje automático, cómo funciona
el scikit. Hoy en día buscamos muchos programas que puedan resolver muchos problemas
[1] sin tener que reescribirlo por ejemplo un juego que compita en un campeonato.
 El aprendizaje automático es lo que hace posible esto. Un algoritmo que aprende de
ejemplos y de la experiencia en lugar de apoyarse en las reglas de hard-coded [2].
Palabras clave: machine learning, hard-coded, aprendizaje, predicción

1. Resumen:
Así como los humanos las maquinas también pueden aprender, usando algoritmos
potentes de aprendizaje, que las maquinas aprendan nos ayuda a resolver problemas.
Tienen relación con la inteligencia artificial y las redes neuronales. El aprendizaje
automático no facilita muchas cosas en la vida cotidiana, nosotros los humanos
aprendemos de las experiencias y de las lecciones que no enseñan a medida que vamos
creciendo, es así como funciona el aprendizaje automático de las maquinas.
2. Machine learning:
2.1. Que es machine learning:
2.1.1. Es una disciplina científica con relación a la inteligencia Artificial [3] que
crea sistemas que puedan aprender por ejemplos o experiencias. La máquina
que aprende realmente es un algoritmo [4] que es capaz de predecir
comportamientos futuros [5]. El aprendizaje automático tiene la capacidad
de analizar datos y extraer información automáticamente y aprender de ella.
2.1.2. Ejemplos de serian:
- Las recomendaciones de Amazon basadas en el comportamiento de
navegación y compra del cliente.
- El motor de búsqueda de google, que clasifica los sitios web por
relevancia.
- Autos sin conductor.
- Filtros de spam de correo electrónico
2.1.3. Todos esos sistemas aprenden y mejoran más a medida que se le
proporcionen datos. Esto es algo muy similar a como nosotros los humanos
aprendemos. Un ejemplo típico es el problema de la calificación. Por
ejemplo, el filtro de spam de correo electrónico de deseado y no deseado. Y
si tenemos en cuenta eso dependerá demasiado del usuario. Si sabemos cómo
usuario especifico que correos son espam o no las marcaremos de manera
más correcta para tener datos más relevantes que condicen a mejores
predicciones [5].
2.2. Tipos de aprendizaje:
2.2.1. Aprendizaje automático: Los algoritmos de aprendizaje no automático se
pueden dividir en tres amplias categorías: Aprendizaje supervisado, el
aprendizaje no supervisado, aprendizaje reforzado [6].
 2.2.2. Aprendizaje supervisado: la maquina presenta entradas de ejemplo y sus
resultados deseados, el objetivo es aprender una regla donde se mapea las
entradas y salidas [7].
2.2.3. Aprendizaje no supervisado: no se asignan etiquetas al algoritmo de
aprendizaje, dejándolo solo para encontrar estructura en su entrada
descubriendo patrones ocultos de datos [8]. Ejemplo: Imagine tener datos
sobre los automóviles y sus compradores. El sistema puede encontrar
patrones para identificar que, por ejemplo, las personas en las ciudades
prefieren automóviles eléctricos más pequeños y los que viven fuera de la
ciudad prefieren los SUV con motores de gasolina.
2.2.4. Aprendizaje reforzado: es un programa informático que interactúa con n
entorno dinámico en el que debe cumplir un objetivo determinado. El
programa recibe retroalimentación en términos de recompensas y a medida
que navega o su espacio problemático. Otra categorización de las tareas de
aprendizaje automático surge cuando se considera el resultado deseado.
2.3. En la clasificación, las entradas (típicamente en el aprendizaje supervisado) se
dividen en dos o más clases. El filtrado de spam es un ejemplo de clasificación, donde
las entradas son correos electrónicos y las clases son "spam" y "no son spam". En la
regresión, también un problema supervisado, predecimos productos de valor
continuo. Por ejemplo, prediciendo precios de casas o precios de acciones. En la
agrupación, un conjunto de entradas se divide en grupos. A diferencia de la
clasificación, los grupos no se conocen de antemano, por lo que esta suele ser una
tarea no supervisada. Un ejemplo es la segmentación de clientes. La estimación de
densidad encuentra la distribución de entradas en algún espacio. Por ejemplo,
teniendo resultados de pruebas de diabetes de un número específico de personas,
podemos estimar la distribución para toda la población.
La reducción de dimensionalidad simplifica las entradas mediante el mapeo.
3. Materiales métodos:
3.1. Scikit [9]: Ahora escribiremos un pequeño código, pero antes podríamos hacer un
algoritmo de haga una diferencia entre una manzana y una naranja? Tendrías que
iniciar escribiendo muchas reglas manuales, por ejemplo podrías escribir cuanto color
tiene cada fruta y a medida que se profundiza en el problema estas reglas pueden
romperse y te darás cuenta lo complicado que es el mundo real de echo por cada cosa
que encuentras con algo no funcionara y tendrías que escribirlo de nuevo, para
solucionarlo necesitamos un algoritmo que resuelva el problema y para ello
tendríamos que entrar eb un clasificador, que toma los datos como entrada y les
asigna una etiqueta como salida como por ejemplo una manzana, y querer clasificarlo
si es una fruta:
3.1.1. Método:
- El tipo de clasificador que utilizaremos será un árbol de decisión:

Img-01: árbol de decisión

 - Los datos que llenaremos son:
peso textura etiqueta
150g duro naranja
170g duro naranja
140g suave manzana
130g suave manzana
Tabla_01: datos

3.1.2. Código:

Img-02: código empleado en python.

3.2. Tensorflow:
Veremos cómo funciona machine learning: como se entrenan para que puedan
predecir.
3.2.1. Código:

Img-03: código empleado en python.

 Img-03.1: código empleado en python.

Img-03.2: código empleado en python.

4. Resultados y discusiones:
La salida de las imágenes 03, 03.1, 03.2 es:
 Donde podemos ver las dos entradas que necesitamos para que nuestra maquina ya
entrenada pre discan.
Machine learning o entrenamiento automático es una ciencia donde podemos enseñar a
la maquina a decidir por nosotros, o en diferentes caso a sugerir lo que deberíamos hacer
en caso de buscadores o sugerencias.
En las salidas del Img-02: la salida es naranja porque su peso es de 150 g y es duro en
caso contrario fuera uno y tuviera otro peso saldría manzana es un pequeño código donde
nosotros metemos las entradas y esperamos las salidas, a eso se le llama aprendizaje
automático supervisado.

5. Conclusión:
Podemos entrenar nuestras maquinas con potentes algoritmos de aprendizaje, para que
nos solucionen problemas y no esos problemas no se repitan de nuevo. Asi es como
funciona el aprendizaje automático.

6. Referencias:
[1] D. Freitag, “Machine learning for information extraction in informal domains,” Mach.
Learn., vol. 39, no. 2–3, pp. 169–202, 2000.
[2] E. Alpaydın, “Introduction to machine learning,” Methods Mol. Biol., vol. 1107, pp.
105–128, 2014.
[3] T. Aluja, “La Minería de Datos, entre la Estadística y la Inteligencia Artificial,”
Qüestiió, vol. 25, no. 3, pp. 479–498, 2001.
[4] D. E. Goldberg and J. H. Holland, “Genetic Algorithms and Machine Learning,” Mach.
Learn., vol. 3, no. 2, pp. 95–99, 1988.
[5] A. Pitarque, J. F. Roy, and J. C. Ruiz, “Redes neurales vs modelos estadísticos:
Simulaciones sobre tareas de predicción y clasificación,” Psicológica, vol. 19, no. 1998,
pp. 387–400, 1998.
[6] A. Autom, “Full-Text,” pp. 1–46, 2015.
[7] Logicalis, “Learning machine, los usos del aprendizaje supervisado.” [Online].
Available: https://blog.es.logicalis.com/analytics/learning-machine-los-usos-del-
aprendizaje-supervisado. [Accessed: 10-Jun-2018].
[8] L. G. Sánchez, G. A. Osorio, and J. F. Suárez, “Introducción a kernel ACP y otros
métodos espectrales aplicados al aprendizaje no supervisado,” Rev. Colomb. Estad., vol.
31, no. 1, pp. 19–40, 2008.
[9] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” J. Mach. Learn. Res.,
vol. 12, pp. 2825–2830, 2012.