Fundamentos del aprendizaje automático supervisado Ppt

Diapositiva 1

Esta diapositiva ofrece una descripción general del aprendizaje supervisado, que es uno de los tipos más básicos de aprendizaje automático. En este caso, el algoritmo de aprendizaje automático se entrena en datos etiquetados. Aunque los datos deben marcarse adecuadamente para que este método funcione, el aprendizaje supervisado es poderoso cuando se utiliza en las situaciones adecuadas.

Diapositiva 2

Esta diapositiva demuestra que el análisis de regresión es el enfoque fundamental utilizado en el aprendizaje automático para abordar los problemas de regresión mediante el modelado de datos. Implica establecer la línea de mejor ajuste, que pasa por todos los puntos de datos y minimiza la distancia entre la barra y cada punto de datos. El enfoque de regresión se utiliza principalmente para identificar la fuerza del predictor, la tendencia del pronóstico, las series de tiempo y, en el caso de una relación de causa y efecto.

Diapositiva 3

Esta diapositiva describe que la regresión lineal y la regresión logística son dos enfoques de análisis de regresión que se utilizan para abordar problemas mediante el aprendizaje automático; estos son los enfoques de regresión más populares. Sin embargo, existen muchos tipos de enfoques de análisis de regresión en Machine Learning y su uso varía según la naturaleza de los datos.

Diapositiva 4

Esta diapositiva indica que el análisis de regresión tiene muchos tipos, y la aplicación de cada enfoque depende de la cantidad de componentes. Estas variables incluyen el tipo de variable objetivo, la forma de la línea de regresión y el número de variables independientes.

Diapositiva 5

Esta diapositiva describe que la regresión lineal es una de las formas más fundamentales de regresión en el aprendizaje automático. El modelo de regresión lineal vincula linealmente una variable predictora y una variable dependiente.

Diapositiva 6

Esta diapositiva indica que la regresión polinomial es un tipo de enfoque de análisis de regresión en el aprendizaje automático. Es similar a la regresión lineal múltiple pero con algunas diferencias. Como estimador se utiliza un modelo lineal. El método de mínimos cuadrados medios también se utiliza en la regresión polinomial.

Diapositiva 7

Esta diapositiva indica que este tipo de regresión en Machine Learning se emplea cuando las variables independientes tienen una fuerte correlación. Esto se debe a que, en datos multicolineales, las estimaciones de mínimos cuadrados producen resultados no sesgados. Sin embargo, si la colinealidad es demasiado alta, puede haber algún valor de sesgo.

Diapositiva 8

Esta diapositiva enumera que la regresión de lazo es una especie de regresión en el aprendizaje automático que incluye la regularización y la selección de características. Prohíbe el tamaño absoluto de los coeficientes de regresión; y como resultado, el valor del coeficiente se aproxima a 0, lo que no es el caso con Ridge Regression.

Diapositiva 9

Esta diapositiva muestra que la regresión bayesiana es un tipo de regresión de aprendizaje automático que utiliza el teorema de Bayes para determinar el valor de los coeficientes de regresión. En lugar de calcular los mínimos cuadrados, este enfoque de regresión determina la distribución posterior de las características.

Diapositiva 10

Esta diapositiva indica que los árboles de decisión son una herramienta útil y tiene muchas aplicaciones. Los árboles de decisión se pueden utilizar para resolver problemas de clasificación y regresión. El nombre indica que muestra las predicciones provenientes de una serie de divisiones basadas en funciones utilizando una estructura de árbol similar a un diagrama de flujo. Todo comienza con un nodo raíz y termina con una elección de hoja.

Diapositiva 11

Esta diapositiva ofrece una descripción general del algoritmo de bosque aleatorio. Un bosque aleatorio es un grupo de árboles de decisión. Cada árbol se clasifica y el árbol "vota" por esa clase para clasificar un nuevo elemento en función de sus propiedades. El bosque elige la categorización con el mayor número de votos (sobre todos los árboles del bosque).

Diapositiva 12

Esta diapositiva ofrece una descripción general de la regresión logística, que es una especie de enfoque de análisis de regresión que se emplea cuando la variable dependiente es discontinua: por ejemplo, 0 o 1, verdadero o falso, etc. La función Logit se utiliza en Regresión logística para evaluar la conexión entre la variable objetivo y las variables independientes.

Diapositiva 13

Esta diapositiva demuestra que KNN es un algoritmo simple que mantiene todas las instancias existentes y clasifica los nuevos casos en función de un voto mayoritario de sus k vecinos.

Notas del instructor:

KNN puede entenderse con una analogía de la vida real. Por ejemplo, si desea obtener más información sobre alguien, chatee con sus amigos y compañeros de trabajo.

Considere lo siguiente antes de decidirse por el algoritmo K vecinos más cercanos:

• KNN es costoso de calcular y llegar a
• Las variables deben normalizarse, o las variables de mayor rango harán que el algoritmo esté sesgado
• Los datos aún deben ser preprocesados

Diapositiva 14

Esta diapositiva indica que Naive Bayes es una técnica de aprendizaje automático probabilístico basada en el teorema de Bayes y se utiliza para una amplia gama de problemas de clasificación. Un modelo naive bayesiano es fácil de construir y funciona bien con conjuntos de datos masivos. Es fácil de usar y supera incluso a los algoritmos de clasificación más sofisticados.

Diapositiva 15

Esta diapositiva muestra que el algoritmo SVM es un proceso de clasificación en el que los datos sin procesar se muestran como puntos en un espacio n-dimensional (siendo n la cantidad de funciones que tiene). Luego, el valor de cada característica se asigna a una ubicación específica, lo que simplifica la categorización de los datos. Las líneas clasificadoras pueden dividir datos y representarlos en un gráfico.