8/18/2019 Aprendizaje Automático Para El Análisis de Datos

1/15

Aprendizaje Automático para el Análisis de Datos

GRADO EN ESTADÍSTICA Y EMPRESA

Ricardo Aler Mur

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

2/15

R I C A R D O A L E R M U R

PRESENTACIÓNAPRENDIZAJE AUTOMÁTICO

GRADO EN ESTADÍSTICA Y EMPRESA

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

3/15

SKYCAT: CLASIFICACIÓN DE OBJETOSDEL FIRMAMENTO

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

4/15

TEMARIO

• 1. Introduccion al aprendizaje automático• 2. Tipología de tareas y algoritmos en aprendizaje automático. Metodología• 3. Conceptos básicos en clasificación. Clasificación lineal y no lineal• 4. Clasificación: reglas y árboles• 5. Selección de atributos• 6. Clasificadores basados en prototipos• 7. Clasificadores basados en prototipos. Aprendizaje de distancias• 9. Conjuntos de clasificadores: boosting, bagging, random forests, stacking,

mixtures of experts• 10. Computación evolutiva en aprendizaje automático: algoritmos genéticos /

programación genética• 11. Computación evolutiva en aprendizaje automático: PIPE (Probabilistic

Induction Program Evolution)• 12. Clasificación con coste. Curvas ROC

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

5/15

Tipología de tareas y algoritmos en aprendizaje automático

• ¿Qué se puede hacer?

Clasificación Regresión

Clustering

 Aprendizaje por refuerzo

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

6/15

Tipología de tareas y algoritmos en aprendizajeautomático

Lineales

• ¿Qué modelos se pueden aprender?

No lineales

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

7/15

Tipología de tareas y algoritmos en aprendizajeautomático

• ¿Qué modelos se pueden aprender?Funciones: y= 3*x3+2

Reglas

 Árboles decisión Redes bayesianas

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

8/15

Clasificación: reglas y árboles

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

9/15

Selección de atributos

• Necesidad de la selecciónde atributos• Atributos irrelevantes (dni) o

redundantes … 

• Los atributos irrelevantesdespistan a los algoritmos deaprendizaje:

• 1 solo atributo aleatorio puedebajar la capacidad predictiva5 o 10%

• Filters, Wrappers, PrincipalComponent Analysis (PCA),random projections, … 

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

10/15

Clasificadores basados en prototipos. Aprendizaje de distancias

Peso

Altura Niño

Adulto

Mayor

Peso

Altura

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

11/15

Conjuntos de clasificadores: boosting, bagging, random forests,stacking, mixtures of experts

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

12/15

Computación evolutiva en aprendizaje automático: algoritmosgenéticos / programación genética

PIPE (Probabilistic Incremental Program Evolution)

Crear estructuras mediante la teoría de la evolución

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

13/15

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

14/15

Bibliografía principal

• Data Mining: Practical Machine Learning Tools andTechniques, Third Edition (The Morgan Kaufmann Series in DataManagement Systems)

8/18/2019 Aprendizaje Automático Para El Análisis de Datos

15/15

PUNTUACIÓN

• 50% EXAMEN

• 50% PRÁCTICAS (varias).• Herramienta principal: Weka

•

http://www.cs.waikato.ac.nz/ml/weka/• Otras: MLDEMOS, Sharky Neural Networks, Eureqa