Professional Documents
Culture Documents
Aprendizaje automático
Portada El aprendizaje automático o aprendizaje automatizado o aprendizaje de
Portal de la comunidad máquinas (del inglés, machine learning) es el subcampo de las ciencias de
Actualidad
la computación y una rama de la inteligencia artificial, cuyo objetivo es
Cambios recientes
desarrollar técnicas que permitan que las computadoras aprendan. De forma
Páginas nuevas
Página aleatoria
más concreta, se trata de crear programas capaces de generalizar
Ayuda comportamientos a partir de una información suministrada en forma de
Donaciones ejemplos.
Notificar un error
Es, por lo tanto, un proceso de inducción del conocimiento. En muchas
Imprimir/exportar ocasiones el campo de actuación del aprendizaje automático se solapa con
Crear un libro el de la estadística computacional, ya que las dos disciplinas se basan en el
Descargar como PDF análisis de datos. Sin embargo, el aprendizaje automático también se centra
Versión para imprimir en el estudio de la complejidad computacional de los problemas. Muchos
problemas son de clase NP-hard, por lo que gran parte de la investigación
En otros proyectos
realizada en aprendizaje automático está enfocada al diseño de soluciones
Wikimedia Commons
factibles a esos problemas. El aprendizaje automático puede ser visto como
Herramientas un intento de automatizar algunas partes del método científico mediante
Lo que enlaza aquí métodos matemáticos.
Cambios en enlazadas
El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo
Subir archivo
Páginas especiales motores de búsqueda, diagnósticos médicos, detección de fraude en el uso
Enlace permanente de tarjetas de crédito, análisis del mercado de valores, clasificación de
Información de la secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y
página
robótica.
Elemento de Wikidata
Citar esta página
Índice [ocultar]
اﻟﻌﺮﺑﻴﺔ
1.1 Modelos
English 2 Tipos de algoritmos
Français 3 Técnicas de clasificación
िह ी 3.1 Árboles de decisiones
Bahasa Indonesia 3.2 Reglas de asociación Aprendizaje automático
Bahasa Melayu
3.3 Algoritmos genéticos
Português
3.4 Redes neuronales artificiales
Русский
中文 3.5 Máquinas de vectores de soporte
51 más 3.6 Algoritmos de agrupamiento
Editar enlaces 3.7 Redes bayesianas
4 Conocimiento
5 Distinción entre Aprendizaje supervisado y
no supervisado
6 Aplicaciones
7 Temas del aprendizaje automático
8 Historia y relación con otros temas
9 Software
9.1 Software de código abierto
9.2 Software comercial
10 Publicaciones y conferencias
11 Véase también
12 Referencias
13 Bibliografía
14 Enlaces externos
Resumen [ editar ]
Modelos [ editar ]
El aprendizaje automático tiene como resultado un modelo para resolver una
tarea dada. Entre los modelos se distinguen1
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para
poder clasificar de manera adecuada. Se tiene en cuenta los datos
marcados y los no marcados.
Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita
una función. Trata de predecir las categorías de los futuros ejemplos
basándose en los ejemplos de entrada, sus respectivas categorías y los
ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido
por el sistema de cara a enfrentarse a problemas parecidos a los ya
vistos.
Las MVS son una serie de métodos de aprendizaje supervisado usados para
clasificación y regresión. Los algoritmos de MVS usan un conjunto de
ejemplos de entrenamiento clasificado en dos categorías para construir un
modelo que prediga si un nuevo ejemplo pertenece a una u otra de dichas
categorías.
Conocimiento [ editar ]
1. Crecimiento
Es el que se adquiere de lo que nos rodea, el cual guarda la información
en la memoria como si dejara huellas.
2. Reestructuración
Al interpretar los conocimientos el individuo razona y genera nuevo
conocimiento al cual se le llama de reestructuración.
3. Ajuste
Es el que se obtiene al generalizar varios conceptos o generando los
propios.
Aplicaciones [ editar ]
Motores de búsqueda
Diagnóstico médico
Detección de fraudes con el uso de tarjetas de crédito
Análisis del mercado de valores
Clasificación de secuencias de ADN
Reconocimiento del habla
Robótica
Minería de datos
Big Data
Previsiones de series temporales
A continuación se muestran una serie de temas que podrían formar parte del
temario de un curso sobre aprendizaje automático.
Software [ editar ]
Referencias [ editar ]
1. ↑ Flach 2012 Págs. 20-21
2. ↑ Sutton, Richard S., Barto, Andrew G. Reinforcement Learning: An
Introduction. The MIT Press.
3. ↑ Flach 2012 Págs. 155-156
4. ↑ Four main languages for analytics and data mining science (KD Nuggets)
Bibliografía [ editar ]
Bishop, Christopher (2008) Pattern Recognition and Machine Learning.
Springer Verlag. ISBN=978-0-3873-1073-2.
Flach, Peter (2012) Machine Learning: The Art and Science of Algorithms
that Make Sense of Data. Cambridge University Press. ISBN 978-1-107-
42222-3.
Gollapudi, Sunila (2016) Practical Machine Learning. Packt Publishing.
ISBN=978-1-78439-968-4.
Ian H. Witten and Eibe Frank (2011). Data Mining: Practical machine
learning tools and techniques Morgan Kaufmann, 664 pág., ISBN 978-0-
12-374856-0.
Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7
Raschka, Sebastian (2015). Python Machine Learning, Packt Open
Source. ISBN 978-1-78355-513-0
Esta página se editó por última vez el 21 mar 2019 a las 20:26.
El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; pueden
aplicarse cláusulas adicionales. Al usar este sitio, usted acepta nuestros términos de uso y nuestra
política de privacidad.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo
de lucro.