MACHINE LEARNING

DATA (Excel, texto, audios, videos) – Programación --- machine learning

Estructura clásica de datos

1. Observación Cote transversal

 en un momento especifico en el tiempo
 Comparar diferencia entre individuos
 Estructura más común en el análisis de datos

Ejemplos:

Determinar ingreso de una persona conociendo sus datos

Determinar ventas de un negocio conociendo su inversión en marketing

Clasificar a un solicitante de crédito en riesgo o no según su información financiera

2. Series Temporales
 Seguimiento de variable numérica en el tiempo
 Secuencia ordenada de datos cronológicos
 Buscar relaciones itertemporales subyacentes para generar pronósticos

Ejemplos:

Comportamiento de los saldos diarios en cuenta corriente de una persona

Tendencia de desempleo a nivel nacional

Comportamiento diario de ventas de un negocio

Comportamiento mensual de exportaciones de rosas de un país

 3. Datos de Panel (Cross-Sectional)
 Combinación de dimensión transversal y temporal.
 Seguimiento de características de un fenómeno en el tiempo.
 Análisis experimental y evaluación de Políticas

Ejemplos de aplicación:

Cambio de comportamiento de clientes debido al lanzamiento de una oferta o promoción

Impacto del paso del tiempo en los ingresos de una persona

4. Tensores
 Tensor: Arreglo numérico multidimensional.
 Toda estructura de datos puede representarse como un tensor.
 Es la estructura interna para entrenar modelos Machine Learning.

Ejemplos:
Preguntas no respondidas

¿Qué dimensión tensorial utilizaría para representar una sola columna de una hoja de Excel?

Tensor 1-dimensional

Suponiendo imágenes de 200 píxeles de alto y ancho y una duración de 10 segundos ¿Cuáles
serían las dimensiones tensoriales de un video a color de 10 cuadros/frames por segundo?

Tensor 4-dimensional (100,3,200,200)

TIPOS DE APREDIZAJE

1. Aprendizaje supervisado

Y Variable objetivo + predicciones X

Aprendizaje basado en ejemplos

Busca la mejor relación X  Y

Es el más común en el mundo de Machine Learning
  Regresión
Guiado por una terea especifica
 Clasificación

Ejemplo:

Predecir el ingreso de una persona conociendo características sociodemográficas

Ejemplos:

Clasificar clientes de tarjetas de crédito en buenos o malos pagadores

Clasificar riesgo crediticio de clientes en bajo, medio y alto

Tipos de enfoques

 Inferencia: es interpretar ,la verdadera relación entre X  Y

Casos de uso: economía, psicología, sociología ciencias médicas.

 Predicción: encontrar , la mejor prediccioón de la variable objetivo Y

No interesa la verdadera relación X  Y
Casos de uso: reconocimiento de objetos en imágenes y videos, problemas predictivos
en general.
¿Qué tan bien predice el modelo?

Traning set: Datos para entrenar al algoritmo

Test set: Datos para evaluar la precisión del algoritmo, simulando un ejercicio de la vida real
Para cuantificar que tan bien se desempeña un modelo, utilizamos una función de error (loss)
sobre el Teste set

La función los más común para tareas de regresión es el Mean squared error (MSE)

Tareas de clasificación binaria: utilizamos la matriz de confusión

 2. Aprendizaje no supervisado

Guiado por datos

Variable objetivo no desconocido

Objetivo: encontrar patrones en los datos

Análisis exploratorio de datos

 Agrupamiento (clustering) Guiado por los datos

 Reducción de dimensiones
 Asociación

3. Aprendizaje por refuerzo Guiado por el entorno

Agentes (toma la decisión) + Estado + Ambiente + Acciones + Recompensa

Maximizar recompensa para encontrar estrategias optimas

Entrenamiento de modelos vía simulaciones

Ámbitos de aplicación

 Teoría de juegos
 Investigación de operaciones
 Inteligencia artificial

CROSS VALIDATION

Permite estimar el error del algoritmo a partir de simulaciones sobre el Training set
ESTIMACIÓN

 Población (Universo): Conjunto finito o infinito de todos los elementos que se desea
estudiar
 Muestra: Subconjunto de una población

Ejemplo:

A 2016, el 11,5% de las personas de 15 a 49 años en el Ecuador son analfabetas digitales

(Encuesta ENEMDU, diciembre 2016)

Población: Todas las personas de 15 a 49 años en el Ecuador.

Muestra: Las personas de 15 a 49 años en el Ecuador que participaron en la encuesta

ENEMDU
OPTIMIZACIÓN
TENSORFLOW PLAYGROUND