MACHINE

LEARNING
INTEGRANTES:
Christofer Diaz
Hugo Sotomayor
Juan Velarde
APLICACIONES
• SALUD
• MARKETING Y VENTAS
• TRANSPORTE
• Aprendizaje supervisado: consta de una variable objetivo a predecir a partir de un conjunto dado de predictores. Mapea
entradas y salidas deseadas, el proceso de entrenamiento continúa hasta que el modelo alcanza el nivel deseado de
precisión en los datos de entrenamiento.
• Aprendizaje no supervisado: No tiene variable objetoa predecir, agrupa datos en diferentes clústeres. 
• Aprendizaje por refuerzo: Se entrena continuamente mediante prueba y error.
• Machine learning: rama de la inteligencia artificial, su objetivo es desarrollar técnicas que permitan que los sistemas o
máquinas aprendan (identifica patrones complejos en millones de datos). Con esto se busca crear programas capaces de
generalizar y predecir comportamientos a partir de una información suministrada, lo que quiere decir, que mejorará de
forma autónoma con el tiempo sin intervención humana.
• Actualmente las empresas generan gran cantidad de datos, por lo que extraer información valiosa de los datos supone
obtener gran ventaja competitiva.