¿Qué técnica de Machine Learning debes utilizar? Supervisado vs NO Supervisado
Summary
TLDREn este video, Octavio Gutiérrez explora el aprendizaje de máquina, una serie de técnicas que permiten a los programas aprender y mejorar a partir de datos o experiencia. Se enfoca en dos tipos principales: aprendizaje supervisado y no supervisado. Para ilustrar estos conceptos, utiliza datos de emoticones, asumiendo que cada uno tiene características específicas como ojos, boca, lengua y color. A través de la combinatoria de estas características, se crean diferentes emoticones. En el aprendizaje supervisado, las técnicas de aprendizaje se guían por etiquetas o respuestas asociadas a las observaciones, permitiendo al modelo clasificar emoticones en emociones positivas o negativas. En contraste, el aprendizaje no supervisado no cuenta con etiquetas y busca identificar patrones en los datos. Utilizando solo dos características, la orientación de la boca y el color, se agrupan los emoticones en cuadrantes para identificar aglomeraciones y encontrar información valiosa sin necesidad de respuestas asociadas. Este video es una invitación a descubrir más sobre técnicas de aprendizaje de máquina supervisado y no supervisado, ofreciendo enlaces a otros recursos para un aprendizaje más profundo.
Takeaways
- 📚 El aprendizaje de máquina es un conjunto de técnicas que permiten a los programas aprender o mejorar a partir de datos o experiencia.
- 📈 Se distinguen dos tipos principales de aprendizaje de máquina: supervisado y no supervisado.
- 👤 Octavio Gutiérrez es el presentador del canal donde se enseña programación, inteligencia artificial y ciencia de datos.
- 😀 Para ilustrar el aprendizaje de máquina, se utilizarán datos de emoticones con características como ojos, boca, lengua y color.
- 🔍 Las características de los emoticones tienen categorías asociadas, como ojos abiertos o cerrados, y colores como amarillo, verde y rojo.
- 🤖 El aprendizaje supervisado de máquina se guía mediante etiquetas o respuestas asociadas a cada observación.
- ✅ Las respuestas positivas indican emociones positivas en los emoticones, mientras que las negativas indican emociones negativas.
- 🔑 En el aprendizaje supervisado, el objetivo es que el modelo clasifique emoticones en positivos o negativos según su emoción.
- 🧐 Se pueden detectar patrones en los datos, como la mayoría de los emoticones positivos son de color amarillo.
- 🌐 El aprendizaje no supervisado de máquina implica el uso de observaciones sin etiquetas asociadas.
- 📊 Las técnicas de clustering en el aprendizaje no supervisado agrupan los datos en aglomeraciones o clusters.
- 📝 Al analizar los datos sin etiquetas, es posible identificar patrones subyacentes y organizar los emoticones en cuadrantes según sus características.
- 📚 Los enlaces a tutoriales sobre técnicas de aprendizaje de máquina supervisado (como regresión logística) y no supervisado (como clustering) se proporcionan para el aprendizaje adicional.
Q & A
¿Qué es el aprendizaje de máquina?
-El aprendizaje de máquina es un conjunto de técnicas que permiten que los programas aprendan o mejoren en función de datos o experiencia.
¿Cuáles son los dos tipos principales de aprendizaje de máquina mencionados en el script?
-Los dos tipos principales de aprendizaje de máquina mencionados son el aprendizaje supervisado y el aprendizaje no supervisado.
¿Cómo se describen las características de los emoticones en el script?
-Las características de los emoticones se describen en términos de su ojo izquierdo, ojo derecho, orientación de la boca, presencia de la lengua y color.
¿Cuál es el objetivo del aprendizaje supervisado en el contexto de los emoticones?
-El objetivo del aprendizaje supervisado es que el modelo sea capaz de clasificar emoticones como positivos o negativos basado en su emoción expresada.
¿Cómo se usan las etiquetas en el aprendizaje supervisado?
-Las etiquetas se usan para guiar el proceso de aprendizaje, asociando una respuesta (positiva o negativa) a cada una de las observaciones para que el modelo aprenda a partir de ello.
¿Qué patrones se pueden observar en los emoticones de color amarillo?
-Se puede observar que la mayoría de los emoticones de color amarillo muestran una emoción positiva, excepto en el caso donde la forma de la boca es cóncava.
¿Cómo se definen los clusters en el aprendizaje no supervisado?
-En el aprendizaje no supervisado, los clusters se definen agrupando emoticones en función de sus características sin utilizar etiquetas, encontrando aglomeraciones de datos con características similares.
¿Cómo se identifican los patrones subyacentes en el aprendizaje no supervisado?
-Los patrones subyacentes se identifican al analizar la distribución de los emoticones en clusters y observar las características comunes de los emoticones en cada cluster.
¿Por qué el aprendizaje no supervisado no requiere etiquetas asociadas a las observaciones?
-El aprendizaje no supervisado no requiere etiquetas porque se centra en encontrar relaciones y estructuras en los datos sin una guía previa o respuestas conocidas.
¿Qué técnicas de aprendizaje de máquina supervisado se mencionan en el script?
-El script menciona la regresión logística como una técnica de aprendizaje de máquina supervisado.
¿Qué técnicas de aprendizaje de máquina no supervisado se sugieren para aprender más sobre?
-El script sugiere explorar diferentes técnicas de clustering para aprender más sobre el aprendizaje de máquina no supervisado.
Outlines
🤖 Tipos de aprendizaje de máquina: Supervisado y No Supervisado
Octavio Gutiérrez introduce dos tipos principales de aprendizaje de máquina: supervisado y no supervisado. Explica que el aprendizaje supervisado utiliza datos etiquetados para guiar el modelo en su proceso de aprendizaje, usando ejemplos como emoticones con características distintas como ojos, boca y color. Por otro lado, el aprendizaje no supervisado opera sin etiquetas, agrupando datos basados en similitudes observadas entre las características de los emoticones, sin guía externa.
🧐 Identificación de patrones en aprendizaje no supervisado
Este segmento explora cómo el aprendizaje no supervisado clasifica emoticones basándose en características sin etiquetas previas. Octavio utiliza emoticones con solo dos características (orientación de la boca y color) para demostrar cómo se pueden identificar y agrupar patrones de emociones, como felicidad o tristeza, en cuatro cuadrantes. Destaca cómo ciertos patrones, como la combinación de boca cóncava y color no amarillo, sugieren emociones negativas.
👹 Descubrimiento de clusters en datos no etiquetados
El aprendizaje no supervisado identifica grupos o 'clusters' dentro de grandes conjuntos de datos, en este caso, emoticones, sin respuestas predeterminadas. Octavio concluye mostrando cómo este método puede revelar información subyacente, como emoticones que exhiben rasgos comunes de emociones específicas. Además, invita a los espectadores a explorar más sobre técnicas de aprendizaje de máquina a través de vídeos en su canal, incentivando la suscripción y participación activa.
Mindmap
Keywords
💡aprendizaje de máquina
💡aprendizaje supervisado
💡aprendizaje no supervisado
💡datos de emoticones
💡características
💡etiquetas
💡clasificación
💡clustering
💡emociones positivas y negativas
💡patrones
💡regresión logística
Highlights
El aprendizaje de máquina es un conjunto de técnicas que permiten a los programas aprender o mejorar a partir de datos o experiencia.
Se discuten dos tipos de aprendizaje de máquina: supervisado y no supervisado.
Se utilizarán datos de emoticones para ilustrar cómo aprenden las técnicas de aprendizaje de máquina.
Los emoticones se caracterizan por características como ojos, orientación de la boca, lengua y color.
Las técnicas de aprendizaje supervisado se guían por etiquetas o respuestas asociadas a cada observación.
Las técnicas de aprendizaje no supervisado aprenden sin etiquetas asociadas a las observaciones.
El objetivo del aprendizaje supervisado es que el modelo clasifique emoticones en emociones positivas o negativas.
Se pueden detectar patrones en los datos, como la mayoría de los emoticones positivos son de color amarillo.
Las técnicas de aprendizaje no supervisado pueden agrupar emoticones en clusters basados en sus características.
Se identifican patrones subyacentes y aglomeraciones en los datos sin utilizar respuestas asociadas a las observaciones.
Se puede identificar si las caritas en un cuadrante son relativamente felices o tristes.
La técnica de aprendizaje no supervisado permite identificar caritas que no se ajustan a emociones comunes.
Se ofrecen enlaces a videos sobre técnicas de aprendizaje de máquina supervisado y no supervisado.
El canal de Octavio Gutiérrez ofrece aprendizaje de programación, inteligencia artificial y ciencia de datos.
Se anima a los espectadores a dar like y suscribirse si encuentran valor en el contenido del video.
Se menciona que el siguiente video continuará con temas relacionados con el aprendizaje de máquina.
Transcripts
el aprendizaje de máquina es un conjunto
de técnicas que permite que los
programas aprendan o mejoren en función
ya sea de datos o de experiencia en este
vídeo veremos En qué consisten dos tipos
de aprendizaje de máquina el aprendizaje
de supervisado y el aprendizaje No
supervisado mi nombre es Octavio
Gutiérrez Y en este canal aprenderemos
programación Inteligencia artificial y
ciencia de datos gracias por acompañarme
para Mostrar cómo aprenden tanto las
técnicas de aprendizaje de máquina
supervisado como las técnicas de
aprendizaje de máquina no supervisado
voy a hacer uso de datos de emoticones
en particular voy a asumir que estos
emoticones tienen al menos cinco
características una va a estar asociada
a su ojo izquierdo otra a su ojo derecho
otra a la orientación de su boca otra a
la lengua y por último vamos a tener
unas características color cada una de
estas características va a tener
categorías asociadas en el caso de los
ojos vamos a tener ojos abiertos y
cerrados y justo lo que podemos ver aquí
es la combinación de estas categorías
dando como resultado las siguientes
cuatro caritas ahora en lo que
corresponde a la orientación de la boca
vamos a tener una orientación convexa
una orientación cóncava y una
orientación plana correspondientes a la
carita feliz a una carita triste y a una
carita A lo mejor tímida y en lo que
concierne a la característica de la
lengua vamos a tener que la lengua está
visible o que podría estar visible y
simplemente que la lengua está oculta o
que no se está mostrando y la última
característica va a tener tres
categorías correspondientes al color
amarilla verde y rojo y ahora con todas
estas categorías de cada una de estas
características si nosotros hiciéramos
la combinatoria podríamos obtener una
gran cantidad de caritas una gran
cantidad de emoticones y de estos
emoticones de estas observaciones es que
las técnicas de aprendizaje de máquina
aprenden tanto la supervisadas como las
no supervisadas Entonces ahora
vamos viendo un conjunto de
observaciones En este caso tenemos seis
observaciones correspondientes a 6
emoticones y cada uno de estos
emoticones tiene una categoría asociada
a cada una de sus características por
ejemplo la primera observación el primer
emoticón podemos ver que Efectivamente
es de color amarillo que Su lengua es
visible que la orientación de su boca es
convexa y que tiene ambos ojos cerrados
Si ahora observamos la observación
número 3 o el emoticón color verde vemos
Que efectivamente Su color es verde que
su lengua está oculta que la orientación
de la boca es plana y que ambos ojos
están abiertos ahora de este conjunto de
observaciones es que ambas técnicas de
aprendizaje de máquina tanto
supervisadas como supervisadas aprenden
vamos viendo primero Cómo aprendería una
técnica de aprendizaje de máquina
supervisado y en este caso se dice que
el aprendizaje de este tipo de técnicas
es guiado por una etiqueta por una
respuesta asociada a cada una de las
observaciones Y en este caso vamos a
suponer que tenemos dos tipos de
respuestas tenemos una respuesta
positiva y tenemos una respuesta
negativa y cada una de las observaciones
es etiquetada con el tipo de respuesta
correspondiente la respuesta positiva lo
que nos está indicando Es que la carita
el emoticón está mostrando una emoción
que se consideraría positiva y
efectivamente lo podemos ver aquí aquí o
aquí y en el caso de la respuesta
negativa lo que está indicando Es que la
carita podría estar mostrando una
emoción que se podría considerar como
negativa y efectivamente lo podemos ver
aquí aquí y aquí ahora estas etiquetas
estas respuestas asociadas a Las
observaciones le permiten a las técnicas
de aprendizaje de máquinas supervisado
guiar su proceso de aprendizaje en este
caso nosotros estamos asumiendo que el
objetivo de aprendizaje es que el modelo
de aprendizaje de máquina supervisado
sea capaz de clasificar caritas de
clasificar emoticones como emoticones
que están mostrando una emoción positiva
y emoticones que están mostrando una
emoción negativa de hecho nosotros
mismos podríamos detectar ciertos
patrones podemos ver que la mayoría de
los emoticones que están mostrando una
emoción positiva al menos para este caso
de estas observaciones es de color
amarillo excepto en este caso donde
tenemos que la forma de la boca es
cóncava Entonces en este caso ya
detectamos nosotros ciertos patrones y
de hecho las que son de otro color por
ejemplo verde o roja las podemos ver
como negativas y así podrían existir más
patrones que se encuentran dentro de los
datos Y estos patrones los podemos
encontrar hasta cierto punto
relativamente fácil gracias a que
tenemos la etiqueta que está guiando
este aprendizaje justo Así es como
funcionan las técnicas de aprendizaje de
máquina
supervisado ahora vamos viendo cómo
funcionan las técnicas de aprendizaje de
máquina no supervisado en este caso
estas técnicas aprenden utilizando
observaciones que no tienen asociadas
etiquetas que no tienen respuestas
asociadas a cada una de ellas para
ejemplificar esto vamos a seguir
trabajando con el contexto de los
emoticones sin embargo ahora vamos a
asumir que tenemos Solo dos
características el caso de la
orientación de la boca y el color y para
la boca vamos a tener Solo dos
categorías cóncava y convexa y para el
caso de color vamos a tener igual dos
categorías amarilla y otro Es decir de
cualquier otro color que no sea amarillo
y igual aquí también forzosamente
requerimos Las observaciones sin embargo
estas observaciones no tienen ninguna
etiqueta asociada a ellas y podemos ver
claramente que tenemos siete
observaciones y las primeras tres
muestran una forma de la boca convexa y
son de color amarillo
Y a partir de ahí podemos ver otras tres
que tienen una forma u orientación de la
boca cóncava y que tienen otro color que
no es amarillo y finalmente tenemos una
que tiene una boca convexa y otro color
partiendo de que nosotros conocemos que
tenemos Solo dos categorías para la
orientación de la boca y que también
tenemos Solo dos categorías para el
color nosotros podríamos agrupar a cada
uno de los emoticones en uno de los
cuatro siguientes cuadrantes uno que
correspondería a todas las caritas
amarillas que tienen una boca convexa
otro correspondiente a emoticones de
color amarillo con una boca cóncava otro
correspondiente a todas aquellas caritas
que son de cualquier otro color pero que
tienen su boca cóncava y otro
correspondiente a caritas de cualquier
otro color que no sea amarillo pero que
tienen su boca convexa entonces
podríamos nosotros ubicar a nuestra
primera observación justo en este
cuadrante dado que tiene una boca
convexa y que es de color amarillo y lo
mismo podríamos hacer para el siguiente
emoticón y justo lo mismo podríamos
hacer para el siguiente emoticón ahora
los siguientes tres emoticones podemos
ver que son de otro color que no es el
amarillo y que todos tienen una boca
cóncava entonces estarían ubicados justo
en el cuadrante derecho inferior y
podemos ver que efectivamente cada uno
de ellos es ubicado en esa posición y
finalmente tenemos un emoticón que tiene
su boca convexa y que es de otro color
Entonces en ese caso lo tenemos que
acomodar en este cuadrante en y justo ya
terminamos de organizar nuestros
emoticones Y si analizamos los datos qué
es lo que podemos identificar podemos
identificar que todas estas caritas que
se encuentran en este cuadrante son
relativamente felices y también podemos
identificar que todas las caritas que se
encuentran en este cuadrante son
relativamente tristes y esta carita que
quedó aquí aislada no es ni feliz ni
triste tal vez sería como una carita de
una persona malvada de alguien maloso Y
con esto Nosotros hemos identificado
patrones subyacentes dentro de nuestros
datos hemos identificado aglomeraciones
clusters dentro de nuestros datos Y
claro está esto lo hicimos sin haber
utilizado ninguna respuesta asociada a
ninguna de Las observaciones simplemente
tomamos en cuenta los datos cada uno de
los valores que tenían asociadas cada
una de las características de los
emoticones y efectivamente pudimos
encontrar información y así es justo
como aprenden las técnicas de
aprendizaje de máquina No supervisada
ahora si a ustedes les interesa
familiarizarse con técnicas de
aprendizaje de máquina supervisado por
ejemplo la regresión logística y
técnicas de aprendizaje de máquina no
supervisado por ejemplo las diferentes
técnicas de clustering aquí arriba les
dejo unos vínculos a varios vídeos que
ya tenemos Dentro de este canal Mi
nombre es Octavio Gutiérrez Y si
encontraron valor en este vídeo por
favor denle un like y si aún no se han
suscrito por favor consideren hacerlo
hasta el próximo vídeo
papa para pa pa pa pa para para para
para para para para para
関連動画をさらに表示
¿Qué es y cómo funciona la INTELIGENCIA ARTIFICIAL?
¿Qué es machine learning? Aprendizaje automático
¿Qué es el Aprendizaje Supervisado y No Supervisado? | DotCSV
¿Cómo funciona ChatGPT y toda la inteligencia artificial? (Machine Learning)
Modelización de datos en Big Data
¿Qué hacen las capas de una Red Neuronal? - Inteligencia Artificial -
5.0 / 5 (0 votes)