Aprendizaje Automático Clásico
Bienvenido a la Lección 6 de Conceptos de Inteligencia Artificial (COMP5511). Esta sesión actúa como un puente entre los fundamentos teóricos y las implementaciones prácticas y algorítmicas. Aunque la IA moderna suele enfatizar el Aprendizaje Profundo, Aprendizaje Automático Clásico sigue siendo la base del análisis de datos. Estos algoritmos ofrecen una alta interpretabilidad y eficiencia computacional, lo que los convierte en la opción preferida para datos estructurados y el análisis estándar de la industria.
1. Aprendizaje Supervisado
Este paradigma implica entrenar un modelo con un conjunto de datos etiquetado, donde el algoritmo aprende la relación entre las características de entrada y una salida objetivo específica. Esto permite al modelo predecir resultadospredecir con precisión los resultados para nuevos datos no vistos.
- Árboles de Decisión: Modelos que dividen los datos en ramas para alcanzar una clasificación o decisión numérica.
- Máquinas de Vectores de Soporte (SVM): Algoritmos que encuentran el hiperplano óptimopara maximizar el margen entre diferentes clases de datos.
2. Aprendizaje No Supervisado
Estos algoritmos analizan datos sin etiquetarpara descubrir patrones, estructuras o agrupaciones ocultas sin ninguna guía previa sobre qué debería ser la salida. Técnicas clave incluyen:
- Agrupamiento K-medias: Agrupar puntos de datos en K grupos distintos basándose en similitudes de características.
- Análisis de Componentes Principales (PCA): Una técnica de reducción de dimensionalidadusada para simplificar datos complejos mientras se conserva su varianza esencial.