Aprendizaje Automático Clásico
Bienvenido a la Lección 6 de Conceptos de Inteligencia Artificial (COMP5511). Esta sesión sirve como puente entre los fundamentos teóricos y las implementaciones algorítmicas prácticas. Si bien 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 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 alcanzar una decisión de clasificación o numérica.
- Máquinas de Vectores de Soporte (SVM): Algoritmos que encuentran el hiperplano óptimo para maximizar el margen entre las diferentes clases de datos.
2. Aprendizaje No Supervisado
Estos algoritmos analizan datos sin etiquetar para descubrir patrones, estructuras o agrupaciones ocultas sin ninguna orientación previa sobre cuál debería ser el resultado. Las técnicas clave incluyen:
- Agrupamiento K-means: Agrupa los puntos de datos en K grupos distintos según las similitudes de sus características.
- Análisis de Componentes Principales (PCA): Una reducción de dimensionalidad técnica utilizada para simplificar datos complejos manteniendo su varianza esencial.