Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.

Más información disponible en www.DeepL.com/pro.

Consulte los debates, estadísticas y perfiles de los autores de esta publicación en: https://www.researchgate.net/publication/344717762

Algoritmos de aprendizaje automático -Una revisión

Informe técnico - enero de 2019

DOI: 10.21275/ART20203995

CITACIONE LEA
S
206,571
441

1 autor:

Batta Mahesh
Investigador independiente
5 PUBLICACIONES 444 CITAS

VER PERFIL
Todo el contenido de esta página fue cargado por Batta Mahesh el 17 de octubre de 2020.

El usuario ha solicitado la mejora del archivo descargado.

 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
Factor de impacto de ResearchGate (2018): 0,28 | SJIF (2018):
Algoritmos de aprendizaje automático - Un repaso 7.426

Batta Mahesh

Resumen: El aprendizaje automático (Machine Learning, ML) es el estudio científico de algoritmos y modelos estadísticos que los
sistemas informáticos utilizan para realizar una tarea específica sin ser programados explícitamente. Los algoritmos de aprendizaje en
muchas aplicaciones de las que hacemos uso a diario. Cada vez que se utiliza un motor de búsqueda web como Google para buscar en
Internet, una de las razones por las que funciona tan bien es porque un algoritmo de aprendizaje que ha aprendido a clasificar las
páginas web. Estos algoritmos se utilizan para diversos fines, como la minería de datos, el procesamiento de imágenes, el análisis
predictivo, etc., por nombrar algunos. La principal ventaja de utilizar el aprendizaje automático es que, una vez que un algoritmo
aprende qué hacer con los datos, puede realizar su trabajo automáticamente. En este artículo se hace un breve repaso y una perspectiva
de futuro de las vastas aplicaciones de los algoritmos de aprendizaje automático.

Palabras clave: Algoritmo, Aprendizaje automático, Pseudocódigo, Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje por
refuerzo

1. Introducción famoso por su programa para jugar a las damas. El

aprendizaje automático (Machine Learning, ML) se
Desde su evolución, los humanos han utilizado muchos tipos utiliza para enseñar a las máquinas a manejar los datos de
de herramientas para realizar diversas tareas de forma más forma más eficiente. A veces, después de ver los datos, no
sencilla. La creatividad del cerebro humano llevó a la podemos interpretar la información que extraemos de ellos.
invención de diferentes máquinas. Estas máquinas han En ese caso, aplicamos el aprendizaje automático. Con la
facilitado la vida de las personas, permitiéndoles satisfacer abundancia de conjuntos de datos disponibles, la demanda
diversas necesidades vitales, como viajar, trabajar en la de aprendizaje automático va en aumento. Muchas industrias
industria e informarse. Y el aprendizaje automático es una aplican el aprendizaje automático para extraer datos
de ellas. relevantes. El objetivo del aprendizaje automático es
aprender de los datos. Se han realizado muchos estudios
Según Arthur Samuel El aprendizaje automático se define sobre cómo hacer que las máquinas aprendan por sí mismas
como el campo de estudio que confiere a los ordenadores la sin ser programadas explícitamente. Muchos matemáticos y
capacidad de aprender sin ser programados explícitamente. programadores aplican varios enfoques para encontrar la
Arthur Samuel fue solución a este problema que tiene enormes conjuntos de
datos.

El aprendizaje automático se basa en distintos algoritmos entrada-salida. Infiere una función a partir de datos de
para resolver problemas de datos. A los científicos de datos entrenamiento etiquetados que consisten en un conjunto de
les gusta señalar que no existe un único tipo de algoritmo ejemplos de entrenamiento. Los algoritmos de aprendizaje
que sirva para todo y que sea el mejor para resolver un automático supervisado son aquellos que necesitan ayuda
problema. El tipo de algoritmo empleado depende del tipo externa. El conjunto de datos de entrada se divide en un
de problema que se quiera resolver, el número de variables, conjunto de datos de entrenamiento y un conjunto de datos de
el tipo de modelo que mejor se adapte, etc. He aquí un breve prueba. El conjunto de datos de entrenamiento contiene
repaso a algunos de los algoritmos más utilizados en el variables de salida que deben predecirse o clasificarse. Todos
aprendizaje automático (AM) los algoritmos

Aprendizaje supervisado
El aprendizaje supervisado es la tarea de aprendizaje
automático que consiste en aprender una función que asigna
una entrada a una salida basándose en pares de ejemplos de
Volumen 9 Número 1, enero de 2020
www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 381
 Revista Internacional de Ciencia e Investigación
(IJSR)
aprender algún tipo de patrón del conjunto de datos ISSN:
de 2319-7064
Factor dedeimpacto
entrenamiento y aplicarlo al conjunto de prueba
datos de ResearchGate (2018): 0,28 | SJIF (2018):
para la predicción o clasificación. El flujo de trabajo de los 7.426
algoritmos de aprendizaje automático supervisado se
muestra en la siguiente figura. A continuación se describen
los algoritmos de aprendizaje automático supervisado más
conocidos
Figura: Flujo de trabajo del aprendizaje
supervisado

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 382
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
Árbol de decisión Factor de impacto de ResearchGate (2018): 0,28 | SJIF (2018):
El árbol de decisión es un gráfico que representa las7.426
elecciones y sus resultados en forma de árbol. Los nodos del
gráfico representan un suceso o elección y las aristas del
gráfico representan las reglas o condiciones de decisión.
Cada árbol consta de nodos y ramas. Cada nodo representa
atributos de un grupo que hay q u e clasificar y cada rama
representa un valor que puede tomar el nodo.

Figura: Navie Bayes

Pseudocódigo de Navie
Bayes Input:
Conjunto de datos de entrenamiento T,
F= (f1, f2, f3,.., fn) // valor de la variable predictora en el
conjunto de datos de prueba.
Salida: Una clase de conjunto de datos de prueba.
Pasos:
1) Lee el conjunto de datos de entrenamiento T;
Figura: Árbol de decisión 2) Calcule la media y la desviación típica de las variables
predictoras de cada clase;
Pseudocódigo de árbol de decisión: 3) Repetir Calcular la probabilidad de fi mediante la
def ecuación de densidad de gauss en cada clase; Hasta que
decisionTreeLearning(ejemplos, atributos, ejemplos_padre): se haya calculado la probabilidad de todas las variables
si len(ejemplos) == 0: predictoras (f1, f2, f3,.., fn).
return pluralidadValor(padre_ejemplos) 4) Calcule la probabilidad de cada clase;
# devuelve la respuesta más probable ya que no quedan 5) Obtener la mayor probabilidad
datos de entrenamiento
elif len(attributes) == 0: Máquina de vectores soporte
return pluralidadValor(ejemplos) Otra de las técnicas de aprendizaje automático más
elif (todos los ejemplos clasifican igual): utilizadas es la máquina de vectores de soporte (SVM).
devolver su clasificación Enmachine learning, son modelos de
A = max(atributos, clave(a)=importancia(a, ejemplos) aprendizaje supervisado con algoritmos de aprendizaje
# elige el atributo más prometedor para condicionarlo asociados que analizan los datos utilizados para la
tree = new Tree(raíz=A) clasificación y el análisis de regresión. Además de realizar
para valor en A.valores(): una clasificación lineal, las SVM pueden realizar
exs = ejemplos[e.A == valor] eficientemente una clasificación no lineal utilizando lo que
subárbol = decisionTreeLearning(exs, attributes.remove(A), se denomina el truco del kernel, mapeando implícitamente
ejemplos) sus entradas en espacios de características de alta dimensión.
# nota la implementación probablemente debería envolver Básicamente, dibuja márgenes entre las clases. Los
los retornos de los casos triviales en árboles por coherencia márgenes se trazan de forma que la distancia entre el margen
tree.addSubtreeAsBranch(subtree, label=(A, value) y las clases sea máxima y, por tanto, se minimice el error de
devolver árbol clasificación.
Navie Bayes
Se trata de una técnica de clasificación basada en el Teorema
de Bayes con un supuesto de independencia entre los
predictores. En términos sencillos, un clasificador Naive
Bayes asume que la presencia de una característica concreta
en una clase no está relacionada con la presencia de ninguna
otra característica. El Bayes ingenuo se dirige
principalmente al sector de la clasificación de textos. Se
utiliza principalmente con fines de agrupación y
clasificación en función de la probabilidad condicional de
que ocurra algo.

Figura: Máquina de vectores soporte

Pseudocódigo de la máquina de vectores soporte

inicializar Yi = YI para i 𝖾 I

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 383
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
repetir Factor de impacto de ResearchGate (2018): 0,28 | SJIF (2018):
7.426

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 384
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
calcular la solución svm vv , bFactor
para elde impacto
conjunto dede ResearchGate
datos con (2018): 0,28 | SJIF (2018):
etiquetas imputadas calcular los resultados ii = (vv , xi) + b7.426
para todos los xi en bolsas positivas conjunto yi = sgn(fi)
para cada i e i, yi = 1
for (every positive bag bi)
end if (liei(l + yi)/2 == 0)
compute i* = arg maxiei ii
set yi* = 1
end
while (las etiquetas imputadas han
cambiado) output (vv, b) Figura: Aprendizaje no supervisado
Aprendizaje no supervisado: Análisis de componentes principales
Se denomina aprendizaje no supervisado porque, a El análisis de componentes principales es un procedimiento
diferencia del aprendizaje supervisado anterior, no hay estadístico que utiliza una transformación ortogonal para
respuestas correctas ni un profesor. Los algoritmos se dejan convertir un conjunto de observaciones de variables
a su aire para descubrir y presentar la estructura interesante posiblemente correlacionadas en un conjunto de valores de
de los datos. Los algoritmos de aprendizaje no supervisado variables linealmente no correlacionadas denominadas
aprenden pocas características de los datos. Cuando se componentes principales. De este modo, se reduce la
introducen nuevos datos, utilizan las características dimensión de los datos para que los cálculos sean más
aprendidas previamente para reconocer la clase de los datos. rápidos y sencillos. Se utiliza para explicar la estructura de
Se utiliza principalmente para la agrupación y la reducción varianza-covarianza de un conjunto de variables mediante
de características. combinaciones lineales. Suele utilizarse como técnica de
reducción de la dimensionalidad.

Figura: Análisis de componentes principales

Agrupación K-Means Figura: Agrupación K-Means

K-means es uno de los algoritmos de aprendizaje no
supervisado más sencillos que resuelven el conocido
problema de la agrupación. El procedimiento sigue una
forma sencilla y fácil de clasificar un conjunto de datos dado
a través de un número determinado de clústeres. La idea
principal es definir k centros, uno para cada cluster. Estos
centros deben colocarse de forma astuta, ya que una
ubicación diferente provoca un resultado diferente. Por lo
tanto, la mejor opción es colocarlos lo más lejos posible unos
de otros.

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 385
 Revista Internacional de Ciencia e Investigación
(IJSR)
El siguiente paso consiste en tomar cada punto ISSN: 2319-7064
perteneciente a un conjuntoFactor de impacto
de datos de ResearchGate
determinado y (2018): 0,28 | SJIF (2018):
asociarlo al centro más cercano. Cuando no queda ningún 7.426
punto pendiente, el primer paso se da por concluido y se
realiza una edad temprana del grupo. En este punto
necesitamos volver a calcular k nuevos centroides como
bary centro de los clusters resultantes del paso anterior.

Figura: Pseudocódigo de K-Means Clustering

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 386
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
Aprendizaje semisupervisado: Factor de impacto de ResearchGate El aprendizaje
(2018): 0,28 multitarea es un subcampo del aprendizaje
| SJIF (2018):
El aprendizaje automático semisupervisado es una 7.426automático cuyo objetivo es resolver varias tareas diferentes
combinación de métodos de aprendizaje automático al mismo tiempo, aprovechando las similitudes entre las
supervisado y no supervisado. Puede ser fructífero en distintas tareas. Esto puede mejorar la eficiencia del
aquellas áreas del aprendizaje automático y la minería de aprendizaje y también actuar como regularizador.
datos en las que los datos no etiquetados ya están presentes y Formalmente, si hay n tareas (profundidad convencional
obtener los datos etiquetados es un proceso tedioso. Con los
métodos d e a p r e n d i z a j e automático supervisado más
comunes, se entrena un algoritmo de aprendizaje automático
en un conjunto de datos "etiquetados" en el que cada registro
incluye la información del resultado. A continuación se
describen algunos de los algoritmos de aprendizaje
semisupervisado

SVM transductiva
Las máquinas vectoriales de soporte transductivas (TSVM)
se han utilizado ampliamente como medio para tratar datos
parcialmente etiquetados en el aprendizaje semisupervisado.
A su alrededor, ha habido misterio por la falta de
comprensión de su fundamento en la generalización. Se
utiliza para etiquetar los datos no etiquetados de forma que
el margen sea máximo entre los datos etiquetados y los no
etiquetados. Encontrar una solución exacta mediante TSVM
es un problema de dificultad NP.

Modelos generativos
Un modelo generativo es el que puede generar datos.
Modela tanto las características como la clase (es decir, los
datos completos). Si modelizamos P(x,y): Puedo utilizar esta
distribución de probabilidad para generar puntos de datos,
por lo que todos los algoritmos que modelizan P(x,y) son
generativos. Un ejemplo etiquetado por componente es
suficiente para confirmar la distribución de la mezcla.

Autoformación
En el autoentrenamiento, un clasificador se entrena con una
porción de datos etiquetados. A continuación, el clasificador
se alimenta con datos sin etiquetar. Los puntos no
etiquetados y las etiquetas predichas se suman en el conjunto
de entrenamiento. Este procedimiento se repite una vez más.
El clasificador aprende por sí mismo, de ahí el nombre de
autoformación.

Aprendizaje por refuerzo

El aprendizaje por refuerzo es un área del aprendizaje
automático que se ocupa de cómo los agentes de software
deben realizar acciones en un entorno para maximizar
alguna noción de recompensa acumulativa. El aprendizaje
por refuerzo es uno de los tres paradigmas básicos del
aprendizaje automático, junto con el aprendizaje supervisado
y el aprendizaje no supervisado.

Figura: Aprendizaje por refuerzo

Aprendizaje multitarea

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 387
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
tienen como objetivo resolverFactor
sólo unade tarea
impacto de ResearchGate
utilizando un (2018): 0,28 | SJIF (2018):
modelo concreto), donde estas n tareas o un subconjunto de 7.426
ellas e s t á n relacionadas entre sí pero no son exactamente
idénticas, el aprendizaje multitarea (MTL) ayudará a
mejorar el aprendizaje de un modelo concreto utilizando el
conocimiento contenido en todas las n tareas.

Aprendizaje por conjuntos

El aprendizaje por conjuntos es el proceso mediante el cual
se generan y combinan estratégicamente múltiples modelos,
como clasificadores o expertos, para resolver un problema
concreto de inteligencia computacional. El aprendizaje por
conjuntos se utiliza principalmente para mejorar el
rendimiento de un modelo o reducir la probabilidad de que
se seleccione desafortunadamente uno deficiente. Otras
aplicaciones del aprendizaje por conjuntos son la
asignación de una confianza a la decisión tomada por el
modelo, la selección de características óptimas, la fusión de
datos, el aprendizaje incremental, el aprendizaje no
estacionario y la corrección de errores.

Impulso:
El término "Boosting" hace referencia a una familia de
algoritmos que convierte los aprendices débiles en
aprendices fuertes. El refuerzo es una técnica de
aprendizaje por conjuntos que se utiliza para reducir el
sesgo y la varianza. Boosting se basa en la pregunta
planteada por Kearns y Valiant "¿Puede un conjunto de
aprendices débiles crear un único aprendiz fuerte?".
Un aprendiz débil se define como un clasificador, un
aprendiz fuerte es un clasificador que está arbitrariamente
bien correlacionado con la clasificación verdadera.

Figura: Pseudocódigo de refuerzo

Embolsado
El ensacado o agregación bootstrap se aplica cuando es
necesario aumentar la precisión y la estabilidad de un
algoritmo de aprendizaje automático. Se aplica en
clasificación y regresión. El ensacado también reduce la
varianza y ayuda a gestionar el sobreajuste.

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 388
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
Factor de impacto de ResearchGate
Red(2018): 0,28no| SJIF
neuronal (2018):
supervisada
7.426La red neuronal no tiene ninguna pista previa sobre la salida
de la entrada. El principal trabajo de la red es categorizar los
datos según algunas similitudes. La red neuronal comprueba
la correlación entre varias entradas y las agrupa.

Figura: Pseudocódigo de Bagging

Redes neuronales
Una red neuronal es una serie de algoritmos que tratan de
reconocer las relaciones subyacentes en un conjunto de datos Figura: Red neuronal no supervisada
mediante un proceso que imita el funcionamiento del
cerebro humano. En este sentido, las redes neuronales se Red neuronal reforzada
refieren a sistemas de neuronas, ya sean de naturaleza El aprendizaje por refuerzo se refiere a los algoritmos
orgánica o artificial. Las redes neuronales pueden adaptarse orientados a objetivos, que aprenden a alcanzar un objetivo
a entradas cambiantes, de modo que la red genera el mejor complejo (meta) o a maximizar a lo largo de una dimensión
resultado posible sin necesidad de rediseñar los criterios de concreta a lo largo de muchos pasos; por ejemplo,
salida. El concepto de redes neuronales, que tiene sus raíces maximizar los puntos ganados en un juego a lo largo de
en la inteligencia artificial, está ganando popularidad muchas jugadas. Pueden partir de una pizarra en blanco y, en
rápidamente en el desarrollo de sistemas de negociación. las condiciones adecuadas, alcanzar un rendimiento
sobrehumano. Al igual que un niño incentivado con azotes y
caramelos, estos algoritmos son penalizados cuando toman
decisiones equivocadas y recompensados cuando toman las
correctas: esto es el refuerzo.

Figura: Redes neuronales

Una red neuronal artificial se comporta de la misma manera.

Funciona en tres capas. La capa de entrada recibe la
información. La capa oculta procesa la entrada. Por último,
la capa de salida envía la salida calculada.

Red neuronal supervisada

En la red neuronal supervisada, la salida de la entrada ya se
conoce. La salida prevista de la red neuronal s e compara
con la salida real. En función del error, se modifican los Figura: Red neuronal reforzada
parámetros y se introducen de nuevo en la red neuronal. La
red neuronal supervisada se utiliza en las redes neuronales Aprendizaje basado en instancias
feed forward. El aprendizaje basado en instancias se refiere a una familia
de técnicas de clasificación y regresión, que producen una
etiqueta/predicación de clase basada en la similitud de la
consulta con su(s) vecino(s) más cercano(s) en el conjunto
de entrenamiento. En contraste explícito con otros métodos
como los árboles de decisión y las redes neuronales, los
algoritmos de aprendizaje basado en instancias no crean una
abstracción a partir de instancias específicas. Se limitan a
almacenar todos los datos y, en el momento de la consulta,
obtienen una respuesta a partir del examen de los vecinos
más próximos de la consulta.

Vecino más próximo K

Figura: Red neuronal supervisada El algoritmo k-nearest neighbors (KNN) es un algoritmo de
aprendizaje automático simple y supervisado que puede

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 389
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
utilizarse para resolver problemas
Factortanto de clasificación
de impacto de ResearchGate (2018): 0,28 | SJIF (2018):
como de regresión. Es fácil de implementar y entender, 7.426
pero tiene el gran inconveniente de que

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
ID de papel: 390
 Revista Internacional de Ciencia e Investigación
(IJSR)
ISSN: 2319-7064
Factor
se ralentiza significativamente de impacto
a medida de ResearchGate
que aumenta el (2018): 0,28 | SJIF (2018):
tamaño de los datos en uso. 7.426

Figura: Pseudocódigo de KNN

2. Conclusión
El aprendizaje automático puede ser supervisado o no
supervisado. Si dispone de menos datos y de datos
claramente etiquetados para el entrenamiento, opte por el
aprendizaje supervisado. El aprendizaje no supervisado suele
dar mejores resultados para grandes conjuntos de datos. Si
dispone de un gran conjunto de datos, opte por las técnicas
de aprendizaje profundo. También has aprendido
Aprendizaje por Refuerzo y Aprendizaje Profundo por
Refuerzo. Ahora ya sabe qué son las redes neuronales, sus
aplicaciones y sus limitaciones. Este artículo analiza varios
algoritmos de aprendizaje automático. Hoy en día, todas y
cada una de las personas utilizan el aprendizaje automático a
sabiendas o sin saberlo. Desde obtener un producto
recomendado en una compra en línea hasta actualizar fotos
en las redes sociales. Este artículo ofrece una introducción a
los algoritmos de aprendizaje automático más populares.

Referencias
[1] W. Richert, L. P. Coelho, "Building Machine Learning
Systems with Python", Packt Publishing Ltd., ISBN
978-1-78216-140-0
[2] J. M. Keller, M. R. Gray, J. A. Givens Jr., "A Fuzzy K-
Nearest Neighbor Algorithm", IEEE Transactions on
Systems, Man and Cybernetics, Vol. SMC-15, No. 4,
Agosto de 1985
[3] https://www.geeksforgeeks.org/machine-learning/
[4] ] S. Marsland, Aprendizaje automático: una perspectiva
algorítmica. CRC press, 2015.
[5] M. Bkassiny, Y. Li y S. K. Jayaweera, "A survey on
machine learning techniques in cognitive radios", IEEE
Communications Surveys & Tutorials, vol. 15, no. 3,
pp. 1136-1159, oct. 2012.
[6] https://en.wikipedia.org/wiki/Instance-based_learning
[7] R. S. Sutton, "Introducción: The Challenge of
Reinforcement Learning", Machine Learning, 8, páginas
225-227, Kluwer Academic Publishers, Boston, 1992.
[8] P. Harrington, "Machine Learning in action", Manning
Publications Co., Shelter Island, Nueva York, 2012.

Volumen 9 Número 1, enero de 2020

www.ijsr.net
Con licencia Creative Commons Reconocimiento CC
BY
publicaPtionastpatser ID:
Ver 391