MLATI7I0724

Aprendizaje supervisado

Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua.

Semana 7

Esta estructura ampliada proporciona una visión detallada del aprendizaje supervisado, destacando su definición, proceso, aplicaciones y beneficios.

MLATI7I0724

Instrucciones para áreas que cuentan con dos o más elementos interactivos:

Machine Learning

Instrucciones para áreas que solamente cuentan con un elemento interactivo:

Preguntade refuerzo

<- Paleta de colores PRINCIPAL

Colores secundarios

Aprendizaje supervisado

¿Qué es el aprendizaje supervisado?

Proceso del aprendizaje supervisado

Aplicaciones del aprendizaje supervisado

Beneficios del aprendizaje supervisado

Ley de Protección de Datos Personales

El aprendizaje supervisado es una poderosa herramienta en Machine Learning que permite a las máquinas aprender a partir de ejemplos etiquetados, facilitando la automatización de tareas complejas y la toma de decisiones precisas.

Dé clic en el apartado para conocer su contenido y al finalizar responda la pregunta de refuerzo.

Pase el cursor sobre el elemento para conocer más información.

Dé clic en el apartado para conocer su contenido.

Pase el cursor sobre cada elemento para conocer más información.

Dé clic en cada apartado para conocer su contenido.

¡A practicar!

Seleccione la respuesta correcta y dé clic en enviar.

Ejemplos de algoritmos de aprendizaje automático

Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua.

Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Instrucciones para áreas que cuentan con dos o más elementos interactivos:

Instrucciones para áreas que solamente cuentan con un elemento interactivo:

Preguntade refuerzo

<- Paleta de colores PRINCIPAL

Colores secundarios

Regresiónlineal

Regresiónlogística

Árboles dedecisión

Bosquesaleatorios

Máquinas de Soporte Vectorial (SVM)

Redes neuronales

Dé clic en el apartado para conocer su contenido y al finalizar responda la pregunta de refuerzo.

Pase el cursor sobre el elemento para conocer más información.

Dé clic en el apartado para conocer su contenido.

Pase el cursor sobre cada elemento para conocer más información.

Dé clic en cada apartado para conocer su contenido.

¡A practicar!

Dé clic en "Volver a contestar" si desea responder nuevamente las preguntas.

Seleccione la respuesta correcta y dé clic en enviar.

Boschetti, A. y Massaron, L. (2018). Python Data Science Essentials : A practitioner's guide covering essential data science principles, tools, and techniques. Packt Publishing. https://ebookcentral.proquest.com/lib/bibliouniminuto-ebooks/reader.action? docID=5532279&ppg=1Moocarme, M., So, A. y Maddalone, A. (2021). The TensorFlow Workshop: A Hands-on Guide to Building Deep Learning Models From Scratch Using Real-world Datasets. Packt Publishing. https://research-ebsco-com.ezproxy.uniminuto.edu/c/7boqt4/search/details/c6322zy5q5? limiters=None&q=tensorflow&db=e000xwwVéliz Capuñay, C. (2020). Aprendizaje automático: Introducción al aprendizaje profundo. Pontificia Universidad Católica del Perú. https://research-ebsco-com.ezproxy.uniminuto.edu/linkprocessor/plink?id=15f5df3b-d584- 3e52-9acd-00c29c27510f

Referencias:

©UNIMINUTO. Todos los derechos reservados. Todos los derechos de Propiedad Industrial e Intelectual de este material son propiedad exclusiva de la Corporación Universitaria Minuto de Dios.

• Definición.
• Objetivos.

• Recolección de datos.
• Selección del modelo.
• Entrenamiento del modelo.
• Evaluación del modelo.
• Predicción y generalización.

• Clasificación.
• Regresión.
• Reconocimiento de patrones.
• Traducción automática.

• Precisión.
• Interpretación.
• Aplicación generalizada.

Uso: Predicción de valores continuos.Ejemplo: Predicción del valor de una casa basada en características como tamaño y ubicación.

Uso: Problemas complejos y no lineales.Ejemplo: Reconocimiento de voz y de imágenes.

Uso: Clasificación y regresión.Ejemplo: Clasificación de imágenes de dígitos escritos a mano.

Uso: Clasificación binaria.Ejemplo: Predicción de si un correo electrónico es spam o no.

Uso: Clasificación y regresión.Ejemplo: Clasificación de pacientes como de alto o bajo riesgo basado en sus historiales médicos.

Uso: Clasificación y regresión, ensamble de múltiples árboles de decisión.Ejemplo: Predicción de la clasificación de especies de plantas basadas en sus características.