Aprendizaje Automático – MATLAB y Simulink

Los algoritmos de aprendizaje automático emplean métodos de cálculo para “aprender” información directamente de los datos sin asumir una ecuación predeterminada como modelo. Pueden mejorar su rendimiento de forma adaptativa a medida que aumenta el número de muestras disponibles para el aprendizaje.

Los algoritmos de aprendizaje automático se emplean en aplicaciones tales como las finanzas computacionales (calificación crediticia y trading algorítmico), la biología computacional (detección de tumores, descubrimiento de fármacos y secuenciación del ADN), la producción de energía (predicción de precio y carga), procesamiento del lenguaje natural, reconocimiento de voz e imágenes y sistemas de publicidad y recomendación.

El aprendizaje automático se utiliza con frecuencia en aplicaciones de Big Data, que tienen conjuntos de datos extensos con muchos predictores (características) y son demasiado complejas para un modelo paramétrico simple. Algunos ejemplos de aplicaciones de Big Data son la predicción de la carga eléctrica con una red neuronal o la calificación del rating de bonos en relación con el riesgo crediticio mediante un conjunto de árboles de decisión.

Los algoritmos de aprendizaje automático pueden clasificarse atendiendo a diferentes criterios. Una de las clasificaciones más frecuentes y extendidas es en función del tipo de aprendizaje que se pretende aplicar sobre los datos. En este sentido podemos distinguir entre aprendizaje supervisado (clasificación y regresión) y no supervisado (clustering).


Clasificación

Cree modelos para clasificar los datos en diferentes categorías.

Regresión

Cree modelos para predecir datos continuos.

Organización en cluster

Detecte agrupaciones y patrones naturales en los datos.