Author Description

Los conjuntos de datos grandes y de alta dimensión son comunes en la era moderna de la instrumentación computarizada y el almacenamiento electrónico de datos. Los datos de alta dimensión presentan muchos desafíos para la visualización, el análisis y el modelado estadístico. La visualización de datos, por supuesto, es imposible más allá de unas pocas dimensiones. Como resultado, el reconocimiento de patrones, el pre procesamiento de datos y la selección de modelos deben basarse en gran medida en métodos numéricos. Las técnicas de aprendizaje automático (Machine Learning) ayudan en estas tareasEl aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena un modelo sobre datos de entrada y salida conocidos para que pueda predecir salidas futuras, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.El objetivo del aprendizaje supervisado es construir un modelo que haga predicciones basadas en la evidencia en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos (este libro desarrolla técnicas de clasificación).El aprendizaje sin supervisión encuentra patrones ocultos o estructuras intrínsecas en los datos. Se utiliza para extraer inferencias a partir de conjuntos de datos que consisten en datos de entrada sin respuestas etiquetadas. El agrupamiento por clúster es la técnica de aprendizaje no supervisado más común. Se utiliza para el análisis exploratorio de datos para encontrar patrones o agrupaciones ocultos en los datos. Las aplicaciones para la agrupación incluyen el análisis de secuencias genéticas, la investigación de mercado y el reconocimiento de objetos.