MÓDULO | EXPLORANDO LA AI Y EL ML
MACHINE LEARNING
El Machine Learning se centra en enseñar a las computadoras a aprender de los datos y mejorar
con la experiencia.Tiene 3 tipos de aprendizaje: supervisado, no supervisado
y de reforzamiento.
Aprendizaje supervisado
El modelo aprende a partir de ejemplos con etiquetas, es decir, pares de entradas y salidas.
Se divide en:
Regresión
Mixto
Clasificación
Lineal: Ajustar unaecuación lineal a los datos.
Regresión logística: Usar la función sigmoide para clasificación binaria.
Random Forest: Ensem-ble de árboles de decisión
en paralelo.
XGBoost: Ensamble deárboles de decisión en
secuencia.
Polinomial: Transformar los datos y aplicarregresión lineal.
SVM: Transformar los datos y buscar un hiper-plano divisorio.
Redes Neuronales:Perceptrones (regresión logística) conectados
entre sí.
Aprendizaje nosupervisado
Aprendizaje de reforzamiento
Estos modelos no buscan discernir clases, sino agrupar (cluster) datos en clases. Se
Es un tipo de aprendizaje automático en el que un agente aprende a tomar decisiones en un entorno para maximizar una recom-pensa. Un ejemplo de esto es:
divide en:
K-Means: Posicionar centroides para separar datos en clases.
Q-Learning: Generar tabla de estados y acciones y aprender a tomar la mejor decisión a través de
estímulos.
PCA: Reducir ladimensionalidad de datos.
S2-Explorando_AI_ML-Machine_Learning.pdf
Learning BEDU
Created on June 22, 2024
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Randomizer
View
Timer
View
Find the pair
View
Hangman Game
View
Dice
View
Scratch and Win Game
View
Create a Word Search
Explore all templates
Transcript
MÓDULO | EXPLORANDO LA AI Y EL ML
MACHINE LEARNING
El Machine Learning se centra en enseñar a las computadoras a aprender de los datos y mejorar
con la experiencia.Tiene 3 tipos de aprendizaje: supervisado, no supervisado
y de reforzamiento.
Aprendizaje supervisado
El modelo aprende a partir de ejemplos con etiquetas, es decir, pares de entradas y salidas.
Se divide en:
Regresión
Mixto
Clasificación
Lineal: Ajustar unaecuación lineal a los datos.
Regresión logística: Usar la función sigmoide para clasificación binaria.
Random Forest: Ensem-ble de árboles de decisión
en paralelo.
XGBoost: Ensamble deárboles de decisión en
secuencia.
Polinomial: Transformar los datos y aplicarregresión lineal.
SVM: Transformar los datos y buscar un hiper-plano divisorio.
Redes Neuronales:Perceptrones (regresión logística) conectados
entre sí.
Aprendizaje nosupervisado
Aprendizaje de reforzamiento
Estos modelos no buscan discernir clases, sino agrupar (cluster) datos en clases. Se
Es un tipo de aprendizaje automático en el que un agente aprende a tomar decisiones en un entorno para maximizar una recom-pensa. Un ejemplo de esto es:
divide en:
K-Means: Posicionar centroides para separar datos en clases.
Q-Learning: Generar tabla de estados y acciones y aprender a tomar la mejor decisión a través de
estímulos.
PCA: Reducir ladimensionalidad de datos.