Tarea 2 Parcial 2

Inteligencia Artificial
21 marzo de 2024
Yeimi Alin Granados Sanabria
Profesora: Verónica Torres
Pulido
Preguntas:

1.¿ Qué es el machine learning? (Responde tanto con ayuda de fuentes

confiables y también respóndelo con tus propias palabras)

Lugo (2020), sostiene que Machine Learning se refiere a la ciencia que

permite que las computadoras aprendan y actúen como lo hacen los humanos,
mejorando su aprendizaje a lo largo del tiempo de una forma autónoma,
alimentándolas con datos e información en forma de observaciones e
interacciones con el mundo real.

Valero Cajahuanca, JE, Navarro Raymundo, Á. F., Larios Franco, AC y Julca Flores,
JD (2022). Deserción universitaria: Evaluación de diferentes algoritmos de Machine
Learning para su predicción. Revista de Ciencias Sociales (Ve), XXVIII (3), .[fecha de
Consulta 21 de Marzo de 2024]. ISSN: 1315-9518. Recuperado de:
https://www.redalyc.org/articulo.oa?id=28071865024

Podría decirse que el Machine Learning es la ciencia que hace que las
computadoras actúen como los humanos mejorando su aprendizaje de manera
autónoma con el tiempo mediante los datos que obtiene del mundo real.

2.¿ Para qué sirve el machine learning?

En la fabricación el machine learning puede respaldar el mantenimiento

predictivo, el control de calidad y la investigación innovadora en el sector
de la fabricación. La tecnología de machine learning también ayuda a que
las empresas mejoren sus soluciones logísticas, como la administración de
recursos, la cadena de suministro y la administración de inventario.

En la sanidad y ciencias biológicas los programas de machine learning

pueden analizar esta información y apoyar a los médicos en el diagnóstico
y tratamiento en tiempo real. Los investigadores dedicados al machine
learning desarrollan soluciones que detectan tumores cancerosos y
diagnostican enfermedades oculares, lo que tiene un gran impacto en los
resultados de salud. Por ejemplo, Cambia Health Solutions utilizó AWS
Machine Learning para apoyar a las empresas emergentes del sector de la
salud, con el fin de automatizar y personalizar el tratamiento de las
mujeres embarazadas.

En los servicios financieros el Machine Learning permite que los

inversores identifiquen nuevas oportunidades mediante el análisis de los
movimientos del mercado bursátil, la evaluación de los fondos de
cobertura o la calibración de las carteras financieras. Además, ayuda a
identificar a clientes que impliquen préstamos de alto riesgo y a mitigar
los indicios de fraude.

Amazon Web Services ¿Qué es el aprendizaje automático?

(https://aws.amazon.com/es/what-is/machine-learning/)

En pocas palabras el Machine Learning sirve para mejorar la eficiencia,

automatizar tareas y resolver problemas no solo en el ámbito tecnológico
ya que tiene el potencial de transformar fundamentalmente la forma en que
operan diferentes industrias y disciplinas.

3. Menciona 3 aplicaciones del machine learning y profundiza brevemente

en ellas. (una cuartilla en total para las 3 aplicaciones)

° Aplicación de Machine Learning en la Gestión de Riesgo de Crédito

Financiero:

La gestión de riesgos bancarios puede ser dividida en las siguientes

tipologías: riesgo crediticio, riesgo de mercado, riesgo operativo y riesgo
de liquidez, siendo el primero el tipo de riesgo más importante para el
sector financiero. El presente artículo tiene como objetivo mostrar las
ventajas y desventajas de la implementación de los algoritmos de machine
learning en la gestión de riesgos de crédito y, a partir de esto, mostrar
cuál tiene mejor rendimiento, señalando también las desventajas que
puedan presentar. Para ello se realizó una revisión sistemática de la
literatura con la estrategia de búsqueda PICo y se seleccionaron doce
artículos. Los resultados reflejan que el riesgo de crédito es el de mayor
relevancia. Además, algunos de los algoritmos de machine learning ya han
comenzado a implementarse, sin embargo, algunos presentan desventajas
resaltantes como el no poder explicar el funcionamiento del modelo y ser
considerados como caja negra. En ese sentido, desfavorece la
implementación debido a que los organismos regulatorios exigen que un
modelo deba ser explicable, interpretable y transparente. Frente a ello, se
ha optado por realizar modelos híbridos con algoritmos que no son
sencillos de explicar, como aquellos modelos tradicionales de regresión
logística. También, se presenta como alternativa utilizar métodos como
SHAPley Additive exPlanations (SHAP) que ayudan a la interpretación de
dichos modelos.

Autores: Juler Anderson Hermitaño Castro

Localización: Interfases, ISSN-e 1993-4912, Nº.15, 2022, págs. 160-178
Idioma: español
Títulos paralelos: Application of Machine Learning in Financial Credit
Risk Management: A systematic review
Recuperado de:
https://dialnet.unirioja.es/servlet/articulo?codigo=9039554

Este artículo estudia cómo usar programas de computadora inteligentes

puede ayudar a los bancos a manejar los riesgos, especialmente el riesgo
de préstamos. Después de revisar doce estudios, se encontró que, aunque
estos programas pueden ser muy útiles, a veces son difíciles de entender
y explicar, lo que puede ser un problema cuando se trata de cumplir con
las reglas bancarias.

° Machine Learning para automatizar los sistemas de tickets de soporte:

El sistema de tickets de soporte al día de hoy es un elemento clave para

cualquier empresa. La clasificación de estos tickets puede ser una tarea
compleja si se realiza manualmente, debido a que la asignación puede ser
incorrecta y esto conducir a una reasignación de tickets, utilización
innecesaria de recursos y extensión del tiempo de resolución. La tecnología
Machine Learning aplicado en los sistemas de tickets de soporte ha
logrado automatizar la clasificación de los tickets, esperando así una
mejor asignación de los incidentes a resolver.
Se llevó a cabo una revisión sistemática con base en la adaptación de la
metodología Preferred Reporting Items for Systematic Reviews and
MetaAnalyses (PRISMA), ver (Urrútia & Bonfill, 2010). Aquí la pregunta
de la investigación establecida para conducir el proceso metodológico fue
la siguiente: ¿Qué algoritmos de Machine Learning dan mejores resultados
en la clasificación de tickets de soporte en la gestión de incidentes? Una
revisión sistemática es un artículo de «síntesis de la evidencia
disponible», en el que se realiza una revisión de aspectos cuantitativos y
cualitativos de estudios primarios, con el objetivo de resumir la
información existente respecto de un tema en particular (Manterola et al.,
2013). Tomando en cuenta esta definición, se puede observar la
importancia de desarrollar el estudio siguiendo un método repetible,
entendible y que considere la evaluación del riesgo de sesgos. Para dar
inicio al proceso de búsqueda se emplearon ciertos términos que surgieron
a partir de la pregunta de la investigación, tales como: “support ticket”,
“incident management”, “itil”, “service desk” y “machine learning”. A
continuación, se estableció la conexión entre los términos de búsqueda a
través de operadores booleanos: (“support ticket” OR “incident management”
OR “itil” OR “service desk” AND “machine learning). Luego se determinó
las bases de datos usadas como motor de búsqueda, las cuales fueron
SCOPUS - ( TITLEABS-KEY ( support AND ticket ) OR TITLE-ABS-KEY ( it
AND incident AND management ) OR TITLE-ABS KEY ( itil ) OR TITLE-
ABS-KEY ( service AND desk ) AND TITLE-ABSKEY ( machine AND
learning ) AND TITLE-ABS-KEY ( algorithms ) ) AND PUBYEAR > 2017
AND PUBYEAR > 2017, SCIENCEDIRECT -(support ticket AND it incident
AND service desk AND machine learning) Year:2018- 2022e, y en ALICIA
como “it incident” and “machine learning”IEEE XPLORE.

Autores: Villar Garcia, Estela Geraldine; Universidad Nacional de

Trujillo, Venegas Villarreal, Alessandro; Universidad Nacional de
Trujillo, Mendoza De Los Santos, Alberto Carlos; Universidad Nacional
de Trujillo
 Articulo, Versión publicada (2022), Universidad de San Martín de
Porras, Repositorio Revistas-Universidad de San Martín de Porras,
Idioma Español
(https://portalrevistas.aulavirtualusmp.pe/index.php/rc/article/download/2
264/2984)

Este artículo habla de cómo el machine learning puede mejorar la gestión

de tickets de soporte en empresas. Se realizó una revisión sistemática
para identificar los algoritmos de machine learning más efectivos en la
clasificación de estos tickets. Se utilizaron términos de búsqueda
específicos en bases de datos como SCOPUS, ScienceDirect y IEEE Xplore.

° Aplicación de algoritmos de Machine Learning en la predicción de la

diabetes mellitus tipo II

El conocimiento genético aportado por las nuevas tecnologías de

secuenciación ha permitido desarrollar herramientas de predicción de
riesgo a padecer enfermedades multifactoriales y poligénicas. En este
sentido, se ha estudiado la diabetes mellitus tipo II (DMT2) mediante
técnicas de computación como el aprendizaje automático (ML) para el
desarrollo de herramientas predictivas de riesgo poligénico. Para ello, se
empleó la información procedente del proyecto SUN e InCluSilver y se
incluyó una selección de variables, limpieza de datos e imputación
multivariante de datos faltantes sobre un tamaño muestral de 1000
participantes. Posteriormente, se aplicaron 7 algoritmos diferentes de ML
supervisado y la técnica de validación cruzada k-fold empleando el
lenguaje de programación R. Resultados. De los 7 algoritmos evaluados
para comparar la capacidad predictiva del ML frente a los métodos
tradicionales, los algoritmos basados en árboles de decisión no obtuvieron
la robustez suficiente. Sin embargo, 2 de estos modelos como son el
método K-vecinos más cercanos (KNN) y redes neuronales (NN) aportaron
resultados con baja variabilidad, bajos índices de error y correlaciones
positivas entre los datos de entrada y los valores predichos, siendo el
modelo NN el que obtuvo los resultados más prometedores.
 Autor: Alonso Castrillejo, Sergio

Fecha: 2020

Recuperado de: https://academica-e.unavarra.es/handle/2454/38351

Se utilizó el machine learning para predecir el riesgo de diabetes tipo II

utilizando datos genéticos. Se evaluaron siete algoritmos y se encontró que
las redes neuronales mostraron la mejor capacidad predictiva.

4.¿ Qué tipos de machine learning existen y en qué consisten (dilo

brevemente)?

1. Machine Learning Supervisado

Los científicos de datos suministran algoritmos con datos de entrenamiento

etiquetados y definidos para evaluar las correlaciones. Los datos de
muestra especifican tanto la entrada como la salida del algoritmo. Por
ejemplo, las imágenes de cifras manuscritas están anotadas para indicar a
qué número corresponden. Un sistema de aprendizaje supervisado puede
reconocer los clústeres de píxeles y formas asociadas a cada número, si
se dan suficientes ejemplos. Con el tiempo, reconocerá números escritos a
mano y distinguirá de forma fiable entre los números 9 y 4 o 6 y 8.

Las ventajas del aprendizaje supervisado son la simplicidad y facilidad

de diseño. Es útil para predecir un posible conjunto limitado de resultados,
dividir los datos en categorías o combinar los resultados de otros dos
algoritmos de machine learning.

Aquí el modelo aprende a partir de ejemplos etiquetados, lo que significa

que se le proporciona información explícita sobre las entradas y las
salidas esperadas, permitiéndole aprender a realizar predicciones o
clasificaciones en nuevos datos.

2. Maching Learning Sin Supervisar

Los algoritmos de aprendizaje no supervisado se entrenan con datos no

etiquetados. Analizan los nuevos datos con la intención de establecer
conexiones significativas entre las entradas y salidas predetermiadas.
Pueden detectar patrones y categorizar los datos. Por ejemplo, los
algoritmos no supervisados pueden agrupar artículos de noticias de
diferentes sitios en categorías comunes como deportes, crimen, etc. Pueden
utilizar el procesamiento de lenguaje natural para comprender el
significado y la emoción del artículo. En el sector minorista, el aprendizaje
no supervisado puede encontrar patrones en las compras de los clientes
y proporcionar resultados de análisis de datos como: es más probable que
el cliente compre pan si también compra mantequilla.

El aprendizaje no supervisado es útil para el reconocimiento de patrones,

la detección de anomalías y la agrupación automática de datos en categorías.
Como los datos de entrenamiento no necesitan etiquetado, la configuración
es fácil. Estos algoritmos también se pueden utilizar para automáticamente
limpiar y procesar datos con vistas a su posterior modelado. La limitación
de este método es que no puede ofrecer predicciones precisas. Además,
no puede señalar de forma independiente tipos específicos de resultados
de datos.

Aprende de los datos sin la guía de etiquetas o salidas esperadas. Su

tarea principal es descubrir patrones, tendencias o agrupamientos
inherentes en los datos, lo que puede ser útil para tareas como la
segmentación de clientes, la reducción de la dimensionalidad o la
detección de anomalías.

3. Machine Learning Semisupervisado

Este método combina el aprendizaje supervisado y el no supervisado. Para

entrenar los sistemas, esta técnica se basa en el uso de una pequeña
cantidad de datos etiquetados y de una gran cantidad de datos sin etiquetar.
En primer lugar, los datos etiquetados se utilizan para entrenar
parcialmente el algoritmo de machine learning. Después, el propio algoritmo
entrenado parcialmente etiqueta los datos no etiquetados. Este proceso se
denomina pseudoetiquetado. A continuación, el modelo se vuelve a entrenar
con la mezcla de datos resultante sin programarlo explícitamente.

La ventaja de este método es que no necesita grandes cantidades de datos

etiquetados. Resulta útil cuando se trabaja con datos como documentos
largos que los humanos tardarían mucho en leer y etiquetar.

Es una combinación de técnicas de aprendizaje supervisado y no

supervisado. En este enfoque, el modelo se entrena utilizando un conjunto
de datos que contiene tanto ejemplos etiquetados como no etiquetados
4. Machine Learning Por Refuerzo

Es un método con valores de recompensa adjuntos a los diferentes pasos

que debe dar el algoritmo. Así, el objetivo del modelo es acumular tantos
puntos de recompensa como sea posible y alcanzar una meta final. En la
última década, la mayor parte de la aplicación práctica del aprendizaje
por refuerzo se produjo en el ámbito de los videojuegos. Los algoritmos
de aprendizaje por refuerzo más avanzados obtuvieron impresionantes
resultados en videojuegos clásicos y modernos, a menudo superando de
manera significativa a sus homólogos humanos.

Aunque este método funciona mejor en entornos de datos inciertos y

complejos, rara vez se aplica en contextos empresariales. No es eficiente
para tareas bien definidas y el sesgo del desarrollador puede afectar los
resultados. El científico de datos puede influir en los resultados ya que
diseña las recompensas.

En pocas palabras es una rama del aprendizaje automático donde un agente

aprende a tomar decisiones secuenciales para maximizar una recompensa
acumulada a lo largo del tiempo. En este enfoque, el agente interactúa con
un entorno y realiza acciones en función de su estado actual.

Amazon Web Services ¿Qué es el aprendizaje automático?

(https://aws.amazon.com/es/what-is/machine-learning/)