Aprendizaje Automático Clásico
Bienvenido a la Lección 6 de Conceptos de Inteligencia Artificial (COMP5511). Esta sesión sirve como puente desde los fundamentos teóricos hasta las implementaciones algorítmicas prácticas. Si bien la IA moderna a menudo enfatiza el Aprendizaje Profundo (Deep Learning), 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 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 que el modelo prediga resultados para datos nuevos y no vistos con precisión.
- Árboles de Decisión: Modelos que dividen los datos en ramas para llegar a una decisión de clasificación o numérica.
- Máquinas de Vectores de Soporte (SVM): Algoritmos que encuentran el hiperplano óptimo para maximizar el margen entre diferentes clases de datos.
2. Aprendizaje No Supervisado
Estos algoritmos analizan datos no etiquetados para descubrir patrones, estructuras o agrupaciones ocultas sin ninguna guía previa sobre cuál debería ser la salida. Las técnicas clave incluyen:
- Agrupación K-medias: Agrupa puntos de datos en K grupos distintos basándose en la similitud de características.
- Análisis de Componentes Principales (PCA): Una técnica de reducción de dimensionalidad utilizada para simplificar datos complejos conservando su varianza esencial.