Machine Learning Concept Map

Machine Learning

Se divide en

modelos supervisados

No supervisados

Incluye

REGRESIÓN

Asociación

Clustering

CLASIFICACIÓN

CONTIENE

ReGRESIÓN LINEAL

ÁRBOLES DE DECISIÓN

REGLAS DE ASOCIACIÓN

ALGORITMO K-MEANS

Referencias:

1. Géron, A. (2019). *Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems* (2nd ed.). O'Reilly Media. 2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press. 3. Hastie, T., Tibshirani, R., & Friedman, J. (2009). *The Elements of Statistical Learning: Data Mining, Inference, and Prediction* (2nd ed.). Springer. 4. Murphy, K. P. (2012). *Machine Learning: A Probabilistic Perspective*. MIT Press.

Algoritmos que identifican patrones en datos no etiquetados sin intervención humana.

Algoritmos que se entrenan con datos etiquetados.

Divide datos en categorías predefinidas

Ejemplo de uso: Detección de fraude en transacciones financieras

Predice valores continuos basándose en relaciones entre variables

Ejemplo de uso:Predicción de precios de acciones

Agrupa datos en subconjuntos o clusters según similitudes.

Ejemplo de uso: Segmentación de clientes para marketing.

Descubre reglas y patrones entre elementos de un conjunto de datos.

Ejemplo de uso: Análisis de cestas de compra para sugerencias de productos.

Divide los datos en k grupos basados en proximidad a los centroides.

Ejemplo: Identificación de comportamientos de usuarios en una web.

Algoritmo que organiza datos en un árbol con decisiones y resultados.

Ejemplo: Clasificación de correos electrónicos como spam o no spam.

Encuentra relaciones entre elementos que se presentan juntos con frecuencia.

Ejemplo: Si un cliente compra pan, es probable que también compre leche".

Estima la relación lineal entre variables independientes y dependientes.

Ejemplo: Predicción de ingresos en función de la experiencia laboral.