MODULO IV APRENDIZAJE AUTOMÁTICO

  7. EXPLICACIÓN DEL ALGORITMO DE K-MEANS   El algoritmo de K-Means es un método popular de aprendizaje no supervisado utilizado para la agrupación de datos. Es especialmente eficaz en la identificación de grupos o clusters dentro de un conjunto de datos. Los pasos básicos del algoritmo de K-Means son los siguientes:     K-Means es un algoritmo de agrupamiento que se utiliza en el aprendizaje no supervisado para dividir un conjunto de datos en grupos o clústeres similares. Su aplicación práctica puede ser variada, como en la segmentación de clientes para marketing, la clasificación de documentos, la comprensión de patrones en datos de sensores, entre otros. 1. Selección Inicial de Centroides:    - Se eligen aleatoriamente 'K' puntos como centroides iniciales. 2. Asignación de Datos a Centroides:    - Cada punto del conjunto de datos se asigna al centroide más cercano, basándose en la distancia euclidiana. 3. Actualización ...

  6. APLICACIÓN PRÁCTICA: NAIVE BAYES (APRENDIZAJE SUPERVISADO) Introducción al Teorema de Bayes y el Enfoque "Naive" El algoritmo Naive Bayes es un método de clasificación que se utiliza comúnmente en el aprendizaje supervisado. Se basa en el teorema de Bayes y asume que las características de entrada son independientes entre sí, lo que es una simplificación "ingenua", de ahí su nombre, ya que en la mayoría de los casos no se cumple esta independencia en el mundo real. El Teorema de Bayes es un principio fundamental en la teoría de la probabilidad. Se usa para calcular la probabilidad de un evento basado en el conocimiento previo de condiciones que podrían estar relacionadas con el evento. La fórmula es la siguiente: P(A/B) = (P(B/A) x P(A))/P(B) Donde: - P(A/B)   es la probabilidad de que ocurra el evento A dado que B es verdadero. - P(B/A) \) es la probabilidad de que ocurra el evento B dado que A es verdadero. - P(A)   y P(B) son las probabilid...

  5. APLICACIÓN PRÁCTICA: ÁRBOLES DE DECISIÓN (APRENDIZAJE SUPERVISADO) Los árboles de decisión son modelos predictivos muy populares en el aprendizaje automático debido a su facilidad de interpretación y su aplicabilidad en tareas tanto de clasificación como de regresión. A continuación, describo los fundamentos de los árboles de decisión y cómo crear uno paso a paso, incluyendo la importancia de las características y la poda del árbol, con un script que puedes ejecutar en Google Colab.   Fundamentos de los Árboles de Decisión 1. Estructura de un Árbol de Decisión:    - Nodos de decisión: Representan una prueba en una característica.    - Ramas : Corresponden al resultado de una prueba y conectan a otro nodo o hoja.    - Nodos hoja: Representan una decisión o resultado final. 2. Proceso de Decisión:    - Se comienza en el nodo raíz y se evalúan las características de la instancia a clasificar.    - Según e...

    4. LA REGRESIÓN LOGÍSTICA 1. Clave de la regresión logística. -Regresión logística: Un modelo estadístico que se utiliza para predecir la probabilidad de una variable dependiente categórica. En el caso de la regresión logística binaria, esta variable toma dos posibles valores (0 o 1, verdadero o falso, positivo o negativo). - Función Sigmoide: El modelo de regresión logística utiliza la función sigmoide para transformar valores lineales en probabilidades (entre 0 y 1). - Estimación de Máxima Verosimilitud: Se utiliza para estimar los coeficientes del modelo. Busca maximizar la probabilidad de observar los datos dados los parámetros del modelo. - Odds Ratio: Los coeficientes de regresión logística se pueden interpretar como odds ratios, indicando cuánto aumenta o disminuye la probabilidad de la variable dependiente con una unidad de cambio en la variable independiente.   2. Implementación en un Caso de Estudio Supongamos un caso de estudio de diagnó...