XM78 - Fábrica digital y automatizada

INTELIGENCIA ARTIFICIAL 14 variable dependiente basándose en el valor de una variable indepen- diente. La regresión logística puede utilizarse cuando la variable depen- diente es de naturaleza binaria: A o B. Por ejemplo, un algoritmo de regresión lineal podría entrenarse para predecir las ventas anuales de un vendedor (la variable depen- diente) basándose en la experiencia del técnico de ventas (la variable independiente). Otro tipo de algoritmo de regresión llamado máquina de vector de apoyo es útil cuando las variables dependientes son más difíciles de clasificar. 2. Árboles de decisión o ‘Decision Trees’: los árboles de decisión uti- lizan datos clasificados para hacer recomendaciones basadas en un conjunto de reglas de decisión. Por ejemplo, un árbol de decisión que recomienda elegir a un vendedor en particular, usaría la información de dicho vendedor (por ejemplo, las valoraciones de su página web o el número de ventas) y aplicar las reglas a esos factores para reco- mendar una acción o decisión. 3. Algoritmos basados en instancias: un buen ejemplo de un algoritmo basado en instancias es K-Nearest Neighbor, comúnmente conocido como K-NN. Utiliza la clasificación para estimar la probabilidad de que un punto de datos sea miem- bro de un grupo u otro en función de su proximidad a otros puntos de datos. Entre los algoritmos que se pueden utilizar con datos no etiquetados se encuentran los siguientes: 4. Algoritmos de agrupación: los clús- teres hay que considerarlos como grupos. La agrupación se centra en la identificación de grupos de registros similares y en el etiquetado de los registros según el grupo al que pertenecen. Esto se hace sin conocimiento previo de los grupos y sus características. Los tipos de algoritmos de agrupación incluyen la agrupación de K-means, TwoStep y Kohonen. 5. Algoritmos de asociación: los algo- ritmos de asociación encuentran patrones y relaciones en los datos e identifican relaciones frecuentes ‘if-then’ llamadas reglas de asocia- ción. Estas son similares a las reglas usadas en la minería de datos. 6. Redes neuronales: una red neu- ronal es un algoritmo que define una red en capas de cálculos con una capa de entrada, donde se ingieren los datos; al menos una capa oculta, donde se realizan los cálculos y se sacan diferentes conclusiones sobre la entrada; y una capa de salida, donde a cada conclusión se le asigna una probabilidad. Una red neuronal profunda define una red con múl- tiples capas ocultas, cada una de las cuales refina sucesivamente los resultados de la capa anterior. Paso 3: Entrenamiento del algoritmo para crear el modelo El entrenamiento del algoritmo es un proceso iterativo: implica correr las variables a través del algoritmo, comparar el resultado con los resul- tados que debería haber producido, ajustar los pesos y los sesgos dentro del algoritmo que podrían dar un resultado más exacto, y correr las variables de nuevo hasta que el algo- ritmo devuelva el resultado correcto la mayoría de las veces. El algoritmo resultante, entrenado y preciso, es el modelo de Machine Learning, una dis- tinción importante que hay que tener en cuenta, porque el ‘algoritmo’ y el