Machine Learning

Medidas de Tendencia Central y Posición

Mediana: Es como el punto medio en un grupo de números. Imagina que tienes una lista de números ordenados de menor a mayor. La mediana es el número que está justo en el medio. Si tienes un número impar de elementos, la mediana es ese número exacto. Si tienes un número par de elementos, la mediana es el promedio de los dos números del medio. En resumen, es como encontrar el punto central en una fila de números.

Moda: La moda es una medida de tendencia central diferente de la media, pero similar a la mediana, pues no se calcula con algún proceso aritmético ordinario. La moda es el valor que más se repite en el conjunto de datos.

Cuantiles: Los cuantiles son aquellos valores de la variable que, ordenados de menor a mayor, dividen la distribución en partes, así que cada una contiene el mismo número de frecuencias.

Los cuantiles más conocidos son:

• Cuartiles: Son valores de la variable que dividen a la distribución en cuatro partes, cada una de las cuales engloba el 25% de las mismas.
• Deciles: Son los valores de la variable que dividen a la distribución en diez partes iguales, cada una de ellas engloba el 10% de los datos.
• Centiles o Percentiles: Son los valores que dividen a la distribución en cien partes iguales, cada una de las cuales engloba el 1% de las observaciones.

¿Qué es Machine Learning?

Machine Learning consiste en una disciplina que, a través del uso de datos y algoritmos matemáticos, permite a los computadores aprender, ayudando a predecir, clasificar, ordenar, tomar decisiones y, en general, extraer conocimientos de los datos sin necesidad de definir explícitamente las reglas para realizar esas tareas.

Es el campo de estudio que da a las computadoras la capacidad de aprender sin ser programados explícitamente. Su variante más popular es el Deep Learning, que corresponde al área de mayor impacto en la Inteligencia Artificial.

Conceptos Relacionados

• Inteligencia Artificial (IA): Es una combinación de algoritmos diseñados para crear máquinas con capacidades similares a las humanas.
• Machine Learning (Aprendizaje Automático): Es una rama de la IA que estudia cómo dotar a las máquinas de capacidad de aprendizaje.
• Deep Learning (Aprendizaje Profundo): Es un algoritmo automático jerárquico que emula el aprendizaje humano para obtener conocimientos específicos.

Diferencias con la Programación Tradicional

Programación Tradicional

• Es un proceso manual.
• El programador formula manualmente o codifica reglas.
• Se usan datos de entrada, se procesan los datos de salida.

Machine Learning

• Los datos de entrada y salida alimentan un programa para crear un modelo.
• Los algoritmos formulan automáticamente las reglas a partir de los datos.
• No sustituye la programación tradicional; la complementa y potencia.

Tipos de Datos

• Numérico, Discreto: Los datos numéricos discretos son aquellos que representan valores numéricos que solo pueden tomar ciertos valores específicos dentro de un rango determinado. Estos valores no pueden dividirse en partes más pequeñas. Por ejemplo, la cantidad de personas en una sala, el número de productos vendidos, o la cantidad de hijos de una familia. Los datos discretos se expresan como números enteros.
• Numérico, Continuo: Son los que pueden tomar cualquier valor en un rango específico. Estos valores pueden tener infinitas posibilidades y se representan con números decimales. Ejemplos de datos numéricos continuos son la altura de una persona, el peso de un objeto o la temperatura. Estos datos se pueden medir con precisión y se representan en una escala continua.
• Categórico, Nominal: Son aquellos que se utilizan para clasificar o categorizar elementos en grupos o categorías, pero no tienen un orden inherente entre ellos. Estos datos no se pueden ordenar de manera significativa. Ejemplos de datos categóricos nominales incluyen colores, géneros, razas o tipos de animales. Las categorías en este caso no tienen un valor numérico y se utilizan para la clasificación y el etiquetado.
• Categórico, Ordinal: Son similares a los datos categóricos nominales. Aunque las categorías no tienen un valor numérico fijo, se pueden ordenar en función de su nivel o grado. Ejemplos de datos categóricos ordinales incluyen niveles de educación (como «primaria», «secundaria», «universitaria»), clasificaciones de satisfacción (como «muy insatisfecho», «insatisfecho», «neutral», «satisfecho», «muy satisfecho»), etc.

Fases de un Proyecto de Machine Learning

1. Comprensión del Problema o Negocio

• Identificación del problema: Se enfoca en comprender y definir la problemática. Incluye la delimitación del problema, identificación de requisitos, restricciones, supuestos y beneficios del proyecto.
• Determinación de Objetivos: Establece los resultados que se desean lograr al proponer una solución. Define metas claras y específicas para el proyecto.
• Evaluación de la situación actual: Describe el estado actual antes de implementar la solución propuesta. Proporciona un punto de referencia para medir el éxito del proyecto una vez implementado.

2. Comprensión de los Datos

• Recolección de datos: Consiste en obtener los datos necesarios para el proyecto. Se identifican las fuentes de datos y las técnicas utilizadas para recopilarlos.
• Exploración de datos: Se aplican pruebas estadísticas para conocer las propiedades de los datos. Esto ayuda a entender la calidad de los datos y a establecer relaciones entre las variables.

3. Preparación de Datos

• Limpieza de datos: Se aplican técnicas como la normalización de datos, el manejo de valores nulos, la eliminación de duplicados y la imputación de datos. El objetivo es asegurar que los datos estén limpios y listos para su uso.
• Transformación de datos: En esta fase, se cambia la estructura o el formato de ciertos datos sin alterar su significado. Esto permite que los datos sean adecuados para la etapa de modelado.

4. Modelado

• Selección de técnica de modelado: Se elige la técnica más adecuada según el problema a resolver, los datos disponibles y las herramientas de minería de datos. Esto implica seleccionar el algoritmo o enfoque que mejor se ajuste al contexto.
• Selección de datos de prueba: En algunos modelos, es necesario dividir la muestra de datos en conjuntos de entrenamiento y prueba. Los datos de prueba se utilizan para evaluar el rendimiento del modelo.
• Obtención del modelo: En esta fase, se genera el mejor modelo mediante un proceso iterativo. Se ajustan los parámetros y se evalúa el rendimiento utilizando los datos de prueba y entrenamiento.

5. Evaluación del Modelo

• Selección de métricas y criterios: Se eligen métricas apropiadas para evaluar el rendimiento del modelo. Estas métricas pueden incluir precisión, recall, F1-score, AUC-ROC, entre otras.
• Comparación con resultados previos: Se compara el rendimiento del modelo actual con los resultados obtenidos previamente. Esto ayuda a determinar si el modelo ha mejorado o no.
• Ajustes y refinamientos: Si el modelo no cumple con los estándares deseados, se realizan ajustes y refinamientos. Esto puede implicar cambiar parámetros, ajustar hiperparámetros o incluso seleccionar un enfoque diferente.