Principales Algoritmos Utilizados - Aprende Machine Learning PDF

7/5/2020 Principales Algoritmos utilizados | Aprende Machine Learning
 
Aprende
Machine
Learning
antes de que sea demasiado tarde
Privacidad - Condiciones
https://www.aprendemachinelearning.com/principales-algoritmos-usados-en-machine-learning/ 1/24
 
GENERAL
Principales Algoritmos
usados en Machine Learning
 noviembre 4, 2017 by Na8
En esta etapa de estudio sobre el Aprendizaje Automático me he topado con diversos

algoritmos que voy reutilizando para la resolución de problemas y que se repiten con
mayor frecuencia. Realizaré un listado con una breve descripción de los principales
algoritmos utilizados en Machine Learning. Además cada uno contará con enlaces a
ejemplos de desarrollo en código Python. Con el tiempo, agregaré mis propios
ejemplos en español. También te recomiendo leer mi artículo sobre Deep Learning.
 
Empecemos!  
Algoritmos de Regresión
Los algoritmos de Regresión modelan la

relación entre distintas variables (features)
utilizando una medida de error que se
intentará minimizar en un proceso iterativo
para poder realizar predicciones «lo más
acertadas posible». Se utilizan mucho en el
Algoritmos de Regresión, Logístico o Lineal.
análisis estadístico. El ejemplo clásico es la Nos ayudan a clasi car o predecir valores.
predicción de precios de Inmuebles a partir Se intentará compensar la mejor respuesta
a partir del menor error.
de sus características: cantidad de ambientes
del piso, barrio, distancia al centro, metros
cuadrados del piso, etc.
Los Algoritmos más usados de Regresión son:
Regresión Lineal – Nuevo! Ejercicio Predicción en Python

Regresión Logística – Ejemplo en código Python
Algoritmos basados en Instancia
Son Modelos de Aprendizaje para problemas

de decisión con instancias o ejemplos
(muestras) de datos de entrenamiento que
son importantes o requeridos por el modelo.
También son llamados Algoritmos «Ganador
se lleva todo» y aprendizaje basado-en-
Instance-Based Algorithms. Privacidad - Condiciones
memoria en el que se crea un modelo a

partir de una base de datos y se agregan nuevos datos comparando su similitud con

las muestras ya existentes para encontrar «la mejor pareja» y hacer la predicción. 
Los Algoritmos basados en instancia más usados son:
k-Nearest Neighbor (kNN) – Nuevo! Ejemplo en Python sklearn en Español

Self-Organizing Map
Recomendado: No olvides hacer el Análisis Exploratorio de

Datos con Pandas/Python
Algoritmos de Arbol de Decisión
Modelan la toma de Decisión basado en los

valores actuales (reales) de los atributos que
tienen nuestros datos. Se utilizan sobre todo
para clasi cación de información, bifurcando
y modelando los posibles caminos tomados
y su probabilidad de ocurrencia para mejorar
Arbol de Decisión. Buscará el mejor árbol,
su precisión. Una vez armados, los arboles balanceando la posibilidad de ocurrencia y
de decisión ejecutan muy rápido para su importancia en cada rama y hojas para
clasi car un resultado
obtener resultados.
Los Algoritmos de árbol de decisión más
usados son:
Arboles de Clasi cación y Regresión (CART) – Ejemplo en Español con Python

(libs: Pandas y Numpy)
Decisión de Arbol condicional
Random Forest – Teoría y Ejercicio Python
Algoritmos Bayesianos
 
Son algoritmos que utilizan explícitamente el
Teorema de Bayes de probabilidad para
problemas de Clasi cación y Regresión.
Los más utilizados son:
Naive Bayes Algoritmos Bayesianos aprovechan los

Gaussian Naive Bayes – Ejemplo en teoremas de probabilidad en Aprendizaje
Python Automático
Multinomial Naive Bayes

Bayesian Network
Algoritmos de Clustering (agrupación)
Se utilizan para agrupar datos existentes de

los que desconocemos sus características en
común o queremos descubrirlas.
Estos métodos intentan crear «puntos
centrales» y jerarquías para diferenciar
grupos y descubrir características comunes
Algoritmos de Agrupación son de
por cercanía. Aprendizaje no supervisado y encontrarán
Los más utilizados son: relaciones entre los datos que seguramente
no contemplamos a simple vista.
K-Means – Ejemplo Python paso a

paso
K-Medians
Hierarchical Clustering
Algoritmos de Redes Neuronales

 
Son algoritmos y estructuras inspirados en
las funciones biológicas de las redes
neuronales.
Se suelen utilizar para problemas de
Clasi cación y Regresión pero realmente
tienen un gran potencial para resolver
Las Redes Neuronales imitan el
multitud de problemáticas. Son muy buenas comportamiento de activación biológico y la
para detectar patrones. Las Redes interconexión entre neuronas para buscar
soluciones no lineales a problemas
Neuronales Arti ciales requieren mucha
complejos
capacidad de procesamiento y memoria y
estuvieron muy limitadas por la tecnología
del pasado hasta estos últimos años en los que resurgieron con mucha fuerza dando
lugar al Aprendizaje Profundo (se detalla más adelante).
Las redes neuronales básicas y clásicas son:
Compuerta XOR – Ejemplo sencillo Python en Español

Perceptron – Historia de las Redes Neuronales
Back-Propagation – Ejemplo Python sin librerias
Hop eld Network
MLP: Multi Layered Perceptron – Ejemplo pronóstico de series temporales
Algoritmos de Aprendizaje Profundo
Son la evolución de las Redes Neuronales

Arti ciales que aprovechan el abaratamiento
de la tecnología y la mayor capacidad de
ejecución, memoria y disco para explotar
gran cantidad de datos en enormes redes
neuronales interconectarlas en diversas
capas que pueden ejecutar en paralelo para Las redes convolucionales hacen que una
red neuronal de aprendizaje profundo
realizar cálculos.

Comprende mejor Deep Learning con esta 
tenga la capacidad de reconocer animales,
humanos y objetos dentro de imágenes
guía rápida que escribí.
Los algoritmos más populares de Deep
Learning son:
Convolutional Neural Networks – Nuevo: La Teoría: ¿Que es una CNN? –

Ejemplo en Python con Keras
Long Short Term Memory Neural Networks – Breve Historia de las redes
neuronales
Algoritmos de Reducción de Dimensión
Buscan explotar la estructura existente de

manera no supervisada para simpli car los
datos y reducirlos o comprimirlos.
Son útiles para visualizar datos o para
simpli car el conjunto de variables que luego
pueda usar un algoritmo supervisado.
Reducción de dimensión nos permite
Los más utilizados son: gra car o simpli car modelos muy
complejos que en su condición inicial
contenían demasiadas características.
Principal Component Analysis (PCA) –
Ejemplo nuevo artículo!
t-SNE (próximamente artículo)
Procesamiento del Lenguaje Natural

(NLP)
El Natural Language Processing es una mezcla entre DataScience, Machine Learning y

Lingüística. Tiene como objetivo comprender el lenguaje humano. Tanto en textos

como en discurso/voz. Desde analizar sintáctica ó gramáticamente miles contenidos, 
clasi car automáticamente en temas, los chatbots y hasta generar poesía imitando a
Shakespeare. También es común utilizarlo para el Análisis de Sentimientos en redes
sociales, (por ejemplo con respecto a un político) y la traducción automática entre
idiomas. Asistentes como Siri, Cortana y la posibilidad de preguntar y obtener
respuestas, o hasta sacar entradas de cine.
Puedes conocer la teoría del NLP en mi nuevo artículo

ó pasar a un ejercicio en Python analizando textos en español
Otros Algoritmos
Otros algoritmos no desarrollados en este artículo:
Algoritmos de Aprendizaje por Reglas de Asociación

Algoritmos de Conjunto
Computer Vision
Sistemas de Recomendación – crea tu propio motor en Python
Recordemos que todos estos algoritmos son vulnerables a problemas de Under tting
y Over tting que deberemos tener en cuenta y resolver.
Nuevo artículo: WebScraping:

una herramienta valiosa para
DataScience, obtener
 
contenidos de la web
Aprende conmigo
Suscribe al blog y te llegará el aviso de mi nuevo post semanal sobre Machine

Learning. Seamos compañeros en este camino
Email: Your email address here
ENVIAR
Por último quería proponer que me comenten ustedes ¿cuales son los algoritmos
que más utilizan? ¿Cuál crees que falta en esta lista? Espero poder actualizar este
artículo en el futuro e ir agregando más información para crear tu propia máquina.
Libros sobre Machine Learning
 
Feature The Hundred- Deep Learning
Engineering... Page Machine... (Adaptive...
EUR 36,17 EUR 36,97 EUR 79,92
Comprar ahora Comprar ahora Comprar ahora
Comparte el artículo:
      
Relacionado
Regresión Lineal en español con ¿Qué es Machine Learning? Una Bienvenidos a Aprende Machine
Python de nición Learning
Algoritmos Machine Learning Modelos predicción recursos
7 PASOS DEL MACHINE LEARNING PARA CONSTRUIR TU MÁQUINA
APRENDIZAJE PROFUNDO: UNA GUÍA RÁPIDA
23
comments 
David Martínez · noviembre 9, 2017
¡Gracias a que me has seguido, te he encontrado!

Muy interesante el artículo, ahora cuando tenga un rato libre le echaré un
ojo.
Responder
user · noviembre 9, 2017
También me gustó tu Página con artículos interesantes!

Espero nos mantengamos en contacto y comentando sobre el
mundo de la Tecnología en el que se vienen muchos avances.
Responder
¡Buenas Juan!
Ya le he echado un vistazo.
Tengo una duda que puede que tu puedas

resolverme.
Yo quiero usar una LM que me relacione conceptos.
Dado un concepto que puede ser una palabra, un

número, un lugar o todo aquéllo que tenga entidad
 de concepto, me devuelva sus relaciones de 
conceptos en un graph.
¿Se te ocurre qué LM podría ayudarme a afrontar

este proyecto?
Ahora mismo, estoy usando deeplearning4j

concretamente Word2Vec.
¡Gracias por la ayuda!
David
Responder
Na8 · noviembre 14, 2017
Creo que no sé resolver ahora mismo

esa duda. Voy a intentar investigar el
tema para ayudarte. También lo voy a
comentar en un foro de IA en el que
recuerdo haber leído a otros
participantes hablar sobre Word2Vec.
En cuanto tenga algo, te escribo!
Responder
¡Perfecto Juan!
También le he preguntado la
duda a un amigo y me ha
dicho que investigue los
diferentes sistemas de Privacidad - Condiciones
aprendizaje DL para saber

más por dónde piso.
 Mientras espero tu 
respuesta, seguiré mirando
alternativas.
¡Muchas gracias!
Para posibles colaboraciones,
tienes cuenta de github? Te
de endes con Java? Te
de endes en Angular? Esas
son las tecnologías que uso
en mi proyecto actual de LM.
Verás los proyectos en mi
cuenta de github:
https://github.com/davidmart
inezros
Están todos públicos y
puedes verlos y descargarlos.
Cualquier duda, estoy por
aquí…
¡Un abrazo amigo!
m.a.xi · marzo 23, 2018
muy claro , muy bueno , gracias . Soy bastante neó to en el tema y el ingles
es una complicación . Deseo que sigas subiendo más , realmente lo leo con
mucha ligereza y googleando más información por la guia que dejas .
Espero los que sigan!!!
Saludos! Privacidad - Condiciones
Responder
 Na8 · marzo 23, 2018


Gracias m.a.xi por tu comentario! Espero escribir un nuevo
artículo en español pronto, si hay alguna temática que te
interesa me dices. Mis próximos artículos serán sobre k-
nearest neighbor, deep learning con keras y árbol de decisión.
Saludos
Responder
Merka · mayo 19, 2018
Saludos Juan Ignacio, muchas gracias y felicidades por tremedo sitio, claro
conciso y con ejemplos muy completos, recien participe en un hackaton y
tus aportes fueron una verdadera luz en el camino!
Responder
Na8 · mayo 19, 2018
Hola Merka, me alegra mucho saber que te sirvieron estás

páginas del blog!. Próximamente intentaré crear más ejemplos
relacionados con Redes Neuronales Arti ciales y con
implementaciones Python usando Keras y Tensor ow. A estar
atentos :). Saludos y gracias!
Responder
Roger · junio 6, 2018
Espero con ansias ese post, gracias por tu aporte.

Me sirvieron de mucha ayuda.! : Privacidad - Condiciones
Responder
 Na8 · junio 18, 2018


Hola Roger, gracias por escribir!, me
alegro mucho que te sirvieran de
ayuda. Espero escribir pronto nuevos
artículos, seguimos en contacto!,
saludos
Responder
Nikkibraiam · junio 22, 2018
Muchas gracias por compartir esta información, me esta sirviendo de

maravilla
Responder
Na8 · junio 22, 2018
Gracias por escribir, seguimos en contacto!
Responder
Sebastian · agosto 11, 2018
Hola juan, necesito ayuda para poder eleguir el algorismo que se adecua a
mi problema, tengo que encontrar en un dataset que inmuebles son aptos Privacidad - Condiciones
para la colocacion de una antena de telefonia, estos inmuebles deben ser

considerados aptos si cumplen con las caracteristicas por ejemplo no tener
 otra antena cerca, estar cerca de la poblacion, no ser una casa, etc…son

muchas mas las condiciones a cumplir diria unas 15, todos estos datos se
encuentran en el dataset, entonces recorriendo los datos me devolveria los
inmuebles que comples estas caractetisticas.
Muchas gracias
Responder
Na8 · agosto 14, 2018
Hola Sebastian, por lo que me comentas, es un problema de

clasi cación con una salida discreta («colocar antena / no
colocar»).
Deberías revisar los datos, si todas las columnas (condiciones)
que tienes son necesarias o no, y si tienes todas las las
completas o puedes encontrar valores «sucios» (nulos,
negativos o números exagerados que no encajan con la escala
esperada).
Podrías utilizar algoritmos como árbol de decisión, regresión
logística ó redes neuronales.
Puedes encontrar ejemplos de los tres en mi blog, aunque las
redes neuronales suelen ser las más complejas y podría llevar
tiempo ajustarlas y adecuar la cantidad de capas, neuronas,
etc.
Te recomiendo utilizar Arbol de decisión, pues tendrás una
grá ca sobre cómo toma la decisión el algoritmo y puede
resultar muy útil. Clasi cación y visualización con Arbol de
decisión
Saludos y espero tus comentarios. Si quieres, contacta
conmigo en privado y si quieres compartir tu dataset,
podríamos crear una entrada para el blog
Responder
 Juan Carlos Fernández · agosto 27, 2018


Hola Juan Ignacio:
Muchas gracias por tu trabajo en este blog: me ha sido de gran ayuda.

Admiro la claridad y simplicidad con que explicas conceptos complejos.
Los ejemplos también son muy buenos.
Permíteme hacerte una pregunta: ¿Cuándo una algoritmo de red neuronal

se convierte en uno de aprendizaje profundo? ¿cuál es la frontera? ¿está en
la cantidad de capas, en el función usada para reducir el coste? ¿tiene que
ver que sea supervisado o no?
Agradeciendo de antemano tu ayuda, te envío un saludo cordial desde

Argentina.
Juan Carlos
Responder
Na8 · agosto 31, 2018
Hola Juan Carlos, muy buena pregunta! Te cuento que estuve

investigando y leyendo, para poder contestar.
Primero encontré en muchas fuentes referirse a que si se
usan «muchas capas ocultas» se considera deep learning.
Algunos diciendo que más de 3 capas, otros más de 5.
Sin embargo, encontré otros textos en los que dicen que hasta
2006, no había mucha variación entre agregar pocas capas o
100, pues no se alcanzaba esa «profundidad» de
generalización buscada. En 2006, se crea la Deep Belief
Network (DBN), que es la primera en lograr hacer que las
capas ocultas tengan conocimiento jerárquico permitiendo
«niveles» de reconocimiento distintos y que se complementan

para poder hacer reconocimiento de imágenes (o podría ser
 clasi cación ó predicción). Esas jerarquías se re eren- en el 
caso de imágenes-: la 1er capa reconoce lineas, la 2da vértices,
la 3ra curvas y así sucesivamente, hasta detectar siluetas y
formas más complejas, permitiendo a la red tener una buena
capacidad de reconocimiento.
Luego aparecieron nuevas técnicas y mejoraron con las
Convolutional N.N., kernel, ltros, RELU y técnicas de Dropput.
Pero digamos que lo que convierte a una «mera» Multilayer

Perceptron (fully connected) en una red de Deep Learning es:
la capacidad de que sus capas se entrenen «de a una»

(con métodos no supervisados)
Cada capa tendrá entonces, una jerarquía de
reconocimiento
Algunos también incluyen mejoras en la inicialización de
los pesos, en vez de usar valores random, usar técnicas
más inteligentes, que encausan mejor al gradiente
Espero que esto aclare un poco esta pregunta!.

Te dejo algunos enlaces (en inglés):
Why are DLN hard to Train?
Learning Deep Architectures AI
Radial Basis Function NetworkWhat is the di erence between
Neural Networks and Deep Learning?
Responder
Juan Carlos Fernández · agosto 31, 2018
Hola Juan Ignacio:
Muchas gracias por tu respuesta!

Me aclara bastante.
 Hace poco tiempo que estudio este tema y en 
ocasiones me cuesta encontrar la diferencia entre
conceptos que suenan similares.
En ese sentido te agradezco nuevamente este blog:
me ayuda mucho a resolver ese tipo de dudas.
Voy a seguir las líneas de estudio que me propones
en los links que dejas en tu respuesta.
Te seguiré leyendo.
Un saludo cordial de otro egresado de la UTN, con

un poquito de santa envidia de que estés viviendo
en un país tan querido por mi como es España.
Responder
Jose · abril 1, 2019
Hola Juan, Soy nuevo seguidor del blog. Hace tiempo que vengo leyendo
del tema, haciendo cursos en Coursera o similar, pero no logro comenzar a
meter manos en el asunto. Espero lograrlo con los ejemplos del blog.
Aprovecho para preguntar como conviene hacer con variables categóricas
(vi un ejemplo aquí pero no me quedó claro)
-¿Si la variable fueran los valores de los 3 años y sus 12 meses listados en
un archivo. Conviene que los numere en binario como “100; 010; 001” o “1;
2; 3”. Idem para sus 12 meses (b010000000000 o d02 para Febrero?)
-Independientemente del método de numeración, ¿hay que escalarlos a
estas categorías para que “entren” entre los números (-1 a 1 para Tangente
y (0 a 1) para sigmoidea?
Gracias
 Responder 
Na8 · abril 1, 2019
Hola Jose, gracias por escribir. Te contesto: si te re eres a

variables categóricas para embeddings, no hace falta hacer el
escalado. Si en cambio es para alimentar «directamente» a la
red neuronal, sí que conviene escalarlos por ejemplo de -1 a 1
ó de 0 a 1 como comentas.
El tema de pasarlos a modo «one-hot-encoding» depende
también, si es para embeddings, no es necesario hacerlo, pero
deberías numerarlos por ejemplo si tienes 3 años, serán 1,2 y
3.
Responder
Alberto · junio 25
Buenas,
Felicidades por tu blog, buscando informacion sobre Machine Learning

para mi Master me he topado el blog y me esta ayudando bastante!
Un saludo
Responder
 Daniel · octubre 9

Excelente trabajo y muy buenas explicaciones. Me ha ayudado bastante en
la comprension de algunos temas relativos a datascience. saludos desde
Chile
Responder
damian · enero 9
esta buenisimo el blog. te hago una pregunta. tengo un dataset no

supervisado y quiero generar un score de cuan digital es la persona. los
campos contienen variables acerca del uso y comportamiento de la
persona. cual seria el mejor modelo para clasi car/segmentar/per lar esta
base? mil gracias!
Responder
Deja un comentario
Introduce aquí tu comentario...
 
Visita nuestra Guía de Aprendizaje
Buscar
Search …
Contacto
Suscripción
Recibe los artículos de Aprende Machine Learning en tu casilla de correo. Cada 15 días y sin
Spam!
Email: Your email address here
 
ENVIAR
Proudly powered by WordPress | Theme: Eighties by Justin Kopepasah.

Principales Algoritmos Utilizados - Aprende Machine Learning PDF

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Principales Algoritmos Utilizados - Aprende Machine Learning PDF

Загружено:

Авторское право:

Доступные форматы

7/5/2020 Principales Algoritmos utilizados | Aprende Machine Learning

En esta etapa de estudio sobre el Aprendizaje Automático me he topado con diversos

Los algoritmos de Regresión modelan la

Regresión Lineal – Nuevo! Ejercicio Predicción en Python

Algoritmos basados en Instancia

Son Modelos de Aprendizaje para problemas

memoria en el que se crea un modelo a

k-Nearest Neighbor (kNN) – Nuevo! Ejemplo en Python sklearn en Español

Recomendado: No olvides hacer el Análisis Exploratorio de

Algoritmos de Arbol de Decisión

Modelan la toma de Decisión basado en los

Arboles de Clasi cación y Regresión (CART) – Ejemplo en Español con Python

Naive Bayes Algoritmos Bayesianos aprovechan los

Multinomial Naive Bayes

Algoritmos de Clustering (agrupación)

Se utilizan para agrupar datos existentes de

K-Means – Ejemplo Python paso a

Algoritmos de Redes Neuronales

Compuerta XOR – Ejemplo sencillo Python en Español

Algoritmos de Aprendizaje Profundo

Son la evolución de las Redes Neuronales

Convolutional Neural Networks – Nuevo: La Teoría: ¿Que es una CNN? –

Algoritmos de Reducción de Dimensión

Buscan explotar la estructura existente de

Procesamiento del Lenguaje Natural

El Natural Language Processing es una mezcla entre DataScience, Machine Learning y

Puedes conocer la teoría del NLP en mi nuevo artículo

Otros algoritmos no desarrollados en este artículo:

Algoritmos de Aprendizaje por Reglas de Asociación

Nuevo artículo: WebScraping:

Suscribe al blog y te llegará el aviso de mi nuevo post semanal sobre Machine

Email: Your email address here

Libros sobre Machine Learning

Comprar ahora Comprar ahora Comprar ahora

Algoritmos Machine Learning Modelos predicción recursos

7 PASOS DEL MACHINE LEARNING PARA CONSTRUIR TU MÁQUINA

APRENDIZAJE PROFUNDO: UNA GUÍA RÁPIDA

David Martínez · noviembre 9, 2017

¡Gracias a que me has seguido, te he encontrado!

user · noviembre 9, 2017

También me gustó tu Página con artículos interesantes!

David Martínez · noviembre 14, 2017

Tengo una duda que puede que tu puedas

Yo quiero usar una LM que me relacione conceptos.

Dado un concepto que puede ser una palabra, un

¿Se te ocurre qué LM podría ayudarme a afrontar

Ahora mismo, estoy usando deeplearning4j

¡Gracias por la ayuda!

Na8 · noviembre 14, 2017

Creo que no sé resolver ahora mismo

David Martínez · noviembre 14, 2017

aprendizaje DL para saber

m.a.xi · marzo 23, 2018

 Na8 · marzo 23, 2018

Merka · mayo 19, 2018

Na8 · mayo 19, 2018

Hola Merka, me alegra mucho saber que te sirvieron estás

Roger · junio 6, 2018

Espero con ansias ese post, gracias por tu aporte.

 Na8 · junio 18, 2018

Nikkibraiam · junio 22, 2018

Muchas gracias por compartir esta información, me esta sirviendo de