TAREAS MACHINE LEARNING Versión 1.

0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2020-1

CONCEPTO BASICOS MACHINE

LEARNING.
Calderon Vacca Felipe Andrés, Pérez Fonseca Juan Sebastián
u1802606, [email protected]
Profesor: Nelson Velasco

I. RESUMEN
Gracias al Machine Learning las máquinas pueden aprender por
En el siguiente informe se explican conceptos y ejercicios sí mismas a realizar determinadas tareas, ahorrando así tiempo
relacionados sobre machine learning, en el que se pretende y recursos a los desarrolladores, que se convierten en meros
introducir con actividades teóricas y prácticas al tema de profesores del ordenador, que toma el papel de estudiante.
inteligencia artificial concretamente a machine learning. En la
primera parte se responderán preguntas conceptuales como su
definición, aplicaciones y la relación que tiene la regresión
lineal y logística.

En la actividad practica se planteó ejercicios relacionado con la

función de coste y el gradiente descendente para encontrar los
parametros de un modelo utilizando regresión de una variable,
multivariable y logística.

II. INTRODUCCIÓN
Actualmente, las técnicas de Machine Learning son cada vez
más relevantes a nivel empresarial en cuestión de estructuración
y automatización.

El aprendizaje automático o aprendizaje de máquinas (Machine

Learning) se basa en la recolección y análisis sistemático de
datos para desarrollar un modelo predictivo. Se define como El objetivo del Aprendizaje Automático es que las
una subdisciplina de la Inteligencia Artificial que tiene como computadoras piensen con la misma rapidez y precisión que el
principal objetivo descubrir comportamientos y establecer cerebro humano, para que se conviertan en herramientas que
patrones o correlaciones para un fenómeno determinado. ayuden a los usuarios a ser más eficientes en lo que hacen.

En la actualidad, esta rama se nutre de diferentes áreas tales En el siguiente informe se explican conceptos y ejercicios
como la estadística, la probabilidad, investigaciones profundas relacionados sobre machine learning. En la primera parte se
de datos y recuperación de información para reconocer patrones responderán preguntas conceptuales como su definición,
dentro de procesos matemáticos, de ingeniería y física (entre aplicaciones y la relación que tiene la regresión lineal y
otros) necesarios para su buen desempeño. logística.

Ante un mundo cada vez más complejo, con mayores En la actividad practica se planteó ejercicios relacionado con la
interacciones entre usuarios y sistemas y mayor cantidad de función de coste y el gradiente descendente para encontrar los
información, las técnicas de Machine Learning son cada vez parametros de un modelo utilizando regresión de una variable,
más relevantes, pues nos ayudan a generalizar cómo están multivariable y logística.
relacionadas las distintas variables en un proceso y, por
consiguiente, a reducir el margen de error en la estimación de
un resultado.
 TAREAS MACHINE LEARNING Versión 1.0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2020-1

III. DESAROLLO Ambos términos surgen con mucha frecuencia cuando el

tema es Big Data, Analytics y nuevas tendencias del
Actividad Teórica: cambio tecnológico en el último tiempo. Inteligencia
Artificial es el concepto más amplio, en donde las
1. ¿Qué es Machine Learning? maquinas son capaces de llevar a cabo las tareas de una
manera considerada “ inteligentes”, mientras que machine
Machine Learning es una aplicación de inteligencia learning es una aplicación actual de la inteligencia
artificial (IA) que proporciona a los sistemas la capacidad artificial basada en la idea de que deberíamos ser capaces
de aprender y mejorar automáticamente a partir de la realmente de dar a las maquinas acceso a los datos y
experiencia sin ser programado explícitamente. El dejarles aprender por si mismo, es decir, algoritmos que
machine learning se centra en el desarrollo de programas hacen a las maquinas mas inteligentes. En resumen: “ El
informáticos que pueden acceder a los datos y utilizarlos activador de la inteligencia artificial es machine learning”
para aprender por sí mismo. Los algoritmos de
aprendizaje automático crean un modelo matemático La inteligencia artificial tiene como objetivo simular el
basado en datos de muestra, conocidos como “datos de comportamiento y razonamiento de los humanos. Para
entrenamiento” , para hacer predicciones o decisiones sin ello, usan diferentes técnicas, entre ellas, machine
ser programado explícitamente para realizar la tarea. learning. Por ejemplo, los asistentes de voz Siri y Alexa.
Por su lado machine learning es la capacidad de las
Como aprenden las maquinas: computadoras para aprender por si misma a partir de datos

Aunque un modelo de aprendizaje automático puede y experiencias . En su uso mas complejo utiliza Deep
aplicar una combinación de diferentes técnicas, los Learning, el cual utiliza algoritmos que permiten
métodos de aprendizaje generalmente se pueden clasificar
en tres tipos generales: clasificar y relacionar grandes volúmenes de información
imitando las redes neuronales.
 Aprendizaje supervisado: El algoritmo de
aprendizaje recibe datos etiquetados y la salida

deseada. Por ejemplo, las imágenes de perros con

la etiqueta “perro” ayudan al algoritmo a
identificar las reglas para clasificar imágenes de
perros.

Aprendizaje No supervisado: Los datos

proporcionados al algoritmo de aprendizaje no
estan etiquetados y se le pide al algoritmo que
identifique patrones en los datos de entrada. Por
ejemplo, el sistema de recomendación de un sitio
web de comercio electrónico donde el algoritmo 3. Mencione aplicaciones generales de machine
de aprendizaje descubre artículos similares que a learning.
menudo se compran juntos.
- Búsqueda Online: Los buscadores online
 Aprendizaje de Refuerzo: El algoritmo interactúa utilizan el ML para mejorar sus resultados,
con un entorno dinámico que proporciona aprendiendo constantemente del comportamiento
retroalimentación en términos de recompensas y de los usuarios para ofrecer una experiencia más
castigos. Por ejemplo, los autos sin conductor son personalizada cada vez que realizan búsquedas.
recompensados por permanecer en la carretera. Por ejemplo, si escribes “gato” en tu navegador,
después de unos minutos analizando la forma en
que estás navegando, Google (o Bing, o Yahoo
…) comprenderá que estás buscando una
2. ¿En qué se diferencia Machine learning e herramienta para el coche y no el animal.
inteligencia artificial?
- Marketing Personalizado: El machine learning
ayuda a los retailers a analizar enormes grupos de
 TAREAS MACHINE LEARNING Versión 1.0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2020-1

datos sobre sus compradores y presentar ofertas Mecánica, Electrónica y definitivamente los Sistemas
personalizadas para cada individuo en función de Informáticos.
sus comportamientos, compras y preferencias. A
medida que se aprende más sobre cada Los robots, las máquinas controladas digitalmente, los
comprador, el sistema mejora al predecir los vehículos guiados automáticamente, las cámaras
productos, los anuncios y las ofertas más electrónicas, las máquinas industriales y las
adecuadas para cada comprador. fotocopiadoras pueden considerarse como productos
mecatrónicos. Al aplicar una filosofía de integración en el
- Diagnósticos Médicos: Los sistemas de ML se diseño de productos y sistemas se obtienen ventajas
utilizan para revisar imágenes médicas y importantes como son mayor flexibilidad, versatilidad,
desarrollar diagnósticos a partir de los informes nivel de "inteligencia" de los productos, seguridad y
de patología. Un estudio mostró que un ordenador
fue capaz de encontrar el 52% de los cánceres un confiabilidad, así como un bajo consumo de energía.
año antes de que los pacientes fueran Estas ventajas se traducen en un producto con más
diagnosticados oficialmente. A su vez, el orientación hacia el usuario y que puede producirse

rápidamente a un costo reducido. Con la ayuda de

machine learning un concepto atractivo para muchas
machine learning está allanando el camino para partes interesadas del mundo empresarial, científico y
tratamientos más personalizados basados en gubernamental. Desde el punto de vista económico,
datos de salud individuales. resulta muy atractivo que las máquinas puedan realizar
tareas para las que se solía requerir la intervención
- Procesamiento de Lenguaje: Los sistemas de humana y de esta manera relacionar la ingeniería
machine learning cada vez están más avanzados mecatrónica con machine learning para crear dispositivos
y son capaces de entender el lenguaje humano y inteligentes haciendo uso de estas dos disciplinas.
responder a sus interlocutores en el mismo
5. Mencione y explique 3 aplicaciones de machine
idioma. Algunas aplicaciones de PLN incluyen learning en el escenario de la ingeniería
traducción automática, reconocimiento de voz y mecatrónica.
análisis de sentimiento. Por ejemplo: Alexa y Siri
pueden entender tus peticiones y responderte en  Reconocimiento de Imagen: Sabemos que las
consecuencia. imágenes son conjuntos de pixeles continuos y
cada uno contiene información del color que tiene
- Videojuegos: Se puede utilizar ML para dar que «iluminar» (por ejemplo, RGB). Los
inteligencia a los enemigos que tenga que ejemplos comunes son los de OCR
enfrentar el usuario (protagonista) del juego. Reconocimiento de Caracteres ópticos, es decir,
También se utiliza para hacer que nuestras tropas encontrar letras, agruparlas, encontrar espacios y
sepan cómo moverse y saltear obstáculos en un poder descifrar textos y el otro ejemplo es el de
campo de batalla. detectar personas en imágenes, presencia humana
en cámaras de seguridad o más recientemente se
- Economía y Finanzas: Se podrá dar soporte a utilizan redes neuronales convolucionales para
analistas financieros intentando predecir detectar rostros: reconocimiento facial,
determinadas cotizaciones de acciones en la seguramente más de una vez Facebook fue capaz
Bolsa, ayudando a decidir si conviene comprar, de localizar a tus primos y hermanos en tus
mantener o vender. álbumes de fotos.

4. Explique qué relación existe entre machine  Ámbito Educativo : Se está utilizando el ML en
learning e ingeniería mecatrónica. la educación también. Se busca detectar cuáles
son las debilidades y las fortalezas de los
estudiantes que el maestro a simple vista no
Hoy en día es natural tener a nuestro alrededor sistemas y pudiese detectar, para que así se pueda establecer
aparatos sofisticados como los automóviles que para su una mejor estrategia de enseñanza para los
desarrollo fue necesario la sinergia de disciplinas como la alumnos.
 TAREAS MACHINE LEARNING Versión 1.0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2020-1

 Coches Inteligentes: Estos coches utilizan el ML

no solo para conducir ellos mismos, sino también
para conocer las preferencias de sus propietarios
y ajustarse automáticamente en función de sus
gustos y aversiones, como establecer la
temperatura en 20 grados y encender los asientos
con calefacción durante el invierno.

6. De las aplicaciones mencionadas anteriormente,

diga que estrategias diferentes a las de machine

learning pueden ser utilizadas para solucionar el

problema.
La regresión lineal es un algoritmo de aprendizaje
 Reconocimiento de Imágenes: Se podría supervisado que se utiliza en Machine Learning y en
recurrir a estrategias de procesamiento digital de estadística. En su versión más sencilla, lo que haremos es
imágenes para el reconocimiento de imágenes. «dibujar una recta» que nos indicará la tendencia de un
conjunto de datos continuos (si fueran discretos,
 Ámbito de Educación: Con la ayuda de la utilizaríamos Regresión Logística).
implementación y desarrollo de dispositivos de
realidad aumentada o virtual es estudiante podrá La variable independiente (características): son las
aprender de manera didáctica y más eficiente. características que queremos usar para predecir algún
valor dado de “ y”
 Coches Inteligentes: Se podría recurrir a
técnicas de robótica móvil y Sensórica. La Variable dependiente (objetivo): es la característica
que estamos tratando de predecir

7. Investigue que es la regresión lineal y qué El método de Regresión Lineal es una relación entre dos
relación tiene con machine learning. tipos de variables, las variables independientes o
explicativas (x1, x2, x3,…) y la variable dependiente o
Regresión Lineal: Permite determinar el grado de respuesta (y). Lo cual nos permitirá obtener una
dependencia de las series de valores X e Y, prediciendo el
valor y estimado que se obtendría para un valor X que no
esté en la distribución. El modelo se puede expresar predicción de la variable dependiente o respuesta en
como: función de los valores adquiridos de la variable
independiente.

8. Investigue ¿ qué es regresión logística? y¿ cuál es

su relación con machine learning?

En estadística, la regresión logística es un tipo de

análisis de regresión utilizado para predecir el resultado
de una variable categórica (una variable que puede
adoptar un número limitado de categorías) en función de
las variables independientes o predictoras.

Con la regresión logística se mide la relación entre la

variable dependiente, la afirmación que se desea predecir,
con una o más variables independientes, el conjunto de
 TAREAS MACHINE LEARNING Versión 1.0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2020-1

características disponibles para el modelo. Para ello IV. REFERENCIAS

utiliza una función logística que determina la [1] http://sgcg.es/articulos/2016/03/25/probabilidad-conjunta-
probabilidad de la variable dependiente. Como se ha frente-a-probabilidad-condicionada/
comentado anteriormente, lo que se busca en estos [2] https://es.wikipedia.org/wiki/Funci%C3%B3n_de_densid
problemas es una clasificación, por lo que la probabilidad ad_de_probabilidad
se ha de traducir en valores binarios. Para lo que se utiliza [3] http://www.dmae.upct.es/~mcruiz/Telem06/Teoria/apunte
un valor umbral. Los valores de probabilidad por encima s_procesos.pdf
del valor umbral la afirmación es cierta y por debajo es
[4] https://es.wikipedia.org/wiki/Proceso_estoc%C3%A1stico
falsa. Generalmente este valor es 0,5, aunque se puede [5] https://es.wikipedia.org/wiki/Distribuci%C3%B3n_hiperg
aumentar o reducir para gestionar el número de falsos eom%C3%A9trica
positivos o falsos negativos. [6] https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binom
ial_negativa
Actividad Practica: [7] https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Po
isson
Considere el escenario de predecir el valor de una casa [8] https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binom
dependiendo del área. Adquiera o genere un dataset que ial
represente el problema. Tomando como base la regresión
lineal, se tiene que el valor de una casa es una función del [9] https://es.wikipedia.org/wiki/Ruido_blanco
área [10] https://www.netquest.com/blog/es/blog/es/bayesianos-
contra-frecuentistas
𝑌 = 𝐴0 + 𝐴1 ∗ 𝑥
[11] http://bdigital.unal.edu.co/6513/1/9789588280134.pdf

[12]http://ocw.uc3m.es/teoria-de-la-senal-y-
comunicaciones/teoria-moderna-de-la-deteccion-y-estimacion-
Donde y es el valor predicho y x es el área en metros 2013/apuntes/apuntesb1.pdf
cuadrados, el modelo lineal tiene los parámetros A0 y A1
[13]https://www.netquest.com/blog/es/blog/es/bayesianos-
, el problema de Machine learning es encontrar los valores
contra-frecuentistas
de los parámetros que adapten el modelo a los datos.
[14] https://es.slideshare.net/pedroanzurez/maxma-
En Machine learning el método más comúnmente verosimilitud
aplicado para estimar los parámetros de un modelo es el
gradiente descendente, para ello se requiere diseñar una
función de costo.

Diferentes valores de los parametros generan diferentes

líneas rectas:

La hipótesis entonces tiene asociada una función de coste:

𝑚
1
∑(ℎ𝜃 (𝑥𝑖 ) − 𝑦𝑖 )2
2
𝑖=1