Spread the love
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  

Como el machine learning cambiará la sociedad actual, se utilizará en las para

procesar datos en la nube,en las empresas y además prosperan los negocios,

las empresas aumentaran su valor,la bolsa crecerá por que será todo automatizado,

cada vez se realizan más procesos automatizadas, será atreves a través de procesadores

cuánticos, casi todo se podrá realizar a través de tu móvil

Machine Learning e Inteligencia Artificial se usan a menudo como intercambiables

(sinónimos), pero no lo son. Veamos primero cómo se relacionan entre sí.

¿Qué es la Inteligencia Artificial?

IA es la ciencia de entrenar a máquinas para realizar tareas humanas. IA sostiene

el concepto de que una computadora puede actuar como un cerebro humano,

calculando los pasos en el camino que nos rodea cada segundo de cada día.

La Inteligencia Artificial incluye razonamiento, procesamiento cognitivo, reconocimiento

del lenguaje natural, planificación y otros campos de investigación,

además de Machine Learning

Página-6-Imagen-18.png

¿Qué es Machine Learning?

Machine Learning es un subconjunto específico de inteligencia artificial

que entrena a las máquinas para aprender.

Capture7.PNG

El nombre Machine Learning fue utilizado por Arthur Samuel en 1959.

Es un campo de la ciencia que explora el desarrollo de algoritmos que pueden

aprender y hacer predicciones sobre los datos. La principal diferencia con otros

algoritmos comunes es la pieza de “aprendizaje”. Los algoritmos de Machine Learning

no son series de procesos ejecutados en serie para producir un resultado predefinido.

En su lugar, son una serie de procesos que buscan “aprender” patrones

de eventos pasados ​​y construir funciones que pueden producir buenas predicciones,

con un grado de confianza.

Dentro del campo del análisis de datos, Machine Learning   forma parte

de un área conocida como análisis predictivo .

Los modelos de Machine Learning buscan patrones en los datos para tratar de

esbozar conclusiones como lo harían las personas. Cuando el algoritmo es

lo suficientemente bueno como para esbozar las conclusiones correctas, aplica

este conocimiento a los nuevos conjuntos de datos.

Ciclo de aplicación de Machine Learning:

Capture6.PNG

 

¿Qué necesita para funcionar bien?

  • Datos granulares
  • Grandes volúmenes de datos
  • Datos extremadamente diversos

Los cuatro tipos de Machine Learning

Capture12.PNG

SUPERVISADO DE APRENDIZAJE DE MÁQUINAS

Está compuesto por algoritmos que intenta encontrar relaciones y dependencias

entre un producto objetivo que queremos predecir, que va desde la rotación hasta

el fraude de seguros o el éxito potencial de una promoción de ventas en

diferentes individuos, y datos que tenemos de otros individuos del pasado

, incluidas características demográficas o datos de comportamiento previos.

Específicamente estos datos pasados ​​como variables de entrada para predecir

el valor de salida más probable para los nuevos datos, en función de las

relaciones aprendidas de los conjuntos de datos anteriores.

Capture9.PNG

Árboles de Decisión

Los árboles de clasificación y regresión se encuentran clasificados como CART.

El término fue calificado por Leo Breiman para referirse a los algoritmos de

Árbol de decisión que pueden usar para problemas de modelado predictivo

clasificación o regresión.

El algoritmo básico de CART es la base para algoritmos más avanzados

como árboles de decisión empaquetados, Bosque aleatorio y árboles

de decisión potenciados.

Los árboles de decisión normalmente se usan para predecir la probabilidad de lograr

un resultado para una nueva observación (individuo, cliente, …) según sus atributos

(edad, demografía, comportamiento de compra, …), utilizando datos anteriores que

tenemos de un número suficiente de Observaciones similares o individuos.

El resultado para predecir es normalmente binario: sí / no (se agotará

 / no se agotará, se comprará / no se comprará, …).

Se denomina árboles porque pueden representar un árbol binario donde

cada nodo raíz representa una única variable de entrada (edad, ciudad, segmento …)

y un punto de división en esa variable (suponiendo que la variable es numérica).

Los nodos de hoja del árbol contienen la variable

de salida (comprará, batirá, …)

que queremos predecir. Comencemos con un ejemplo simple, donde trataremos

de predecir el género en función de la altura y el peso de las personas.

A continuación se muestra un ejemplo muy simple de un árbol de decisión binario:

Capture13.PNG

El árbol se puede representar tanto como un gráfico o como un conjunto

de reglas. Por ejemplo, a continuación se muestra el árbol de decisiones

anteriores, que describe un conjunto de reglas:

  1. Si Altura> 180 cm Entonces Hombres
  2. Si Altura <= 180 cm y peso 80 kg Entonces Hombre
  3. Si Altura <= 180 cm Y Peso <= 80 kg Entonces Mujer

Con la representación de árbol binario del modelo CART descrito anteriormente,

hacer predicciones es relativamente sencillo. Cada vez que evalúa a un nuevo individuo,

podemos predecir su género según la altura y el peso, con un grado de confianza.

Los árboles de decisión son un método fácil de representar frecuencias de atributos

que sospechan que pueden proporcionar información, ayudando a predecir un resultado.

Pueden ser muy útiles para analizar las causas probables de los buenos y malos resultados

comerciales y ayudarnos a mejorar nuestros niveles de servicio, aumentar la retención

de clientes o prevenir el fraude, entre muchas otras aplicaciones.


Regresión

Ej: Precios de Vivienda Regresión Lineal

Ej: Precios de Vivienda Regresión Lineal

  • Uso de datos etiquetados para hacer predicciones en forma continua .
  • La salida de la entrada siempre está en curso, y el gráfico es lineal .
  • La regresión es una forma de técnica de modelado predictivo que investiga l
  • a relación entre una variable dependiente [Salidas] y una variable
  • independiente [Entradas].
  • Esta técnica detectada para pronosticar el clima, el modelado de series de
  • tiempo, la optimización de procesos.
  • Regresión lineal: relación entre dos variables ajustando una ecuación
  • lineal a los datos observados.
  • Ej: Predicción del precio de la vivienda, donde el precio de la vivienda se
  • predecirá a partir de las entradas, como el número de habitaciones,
  • la ubicación, la facilidad de transporte, la edad de la vivienda, el área de la vivienda.
  • Cómo un aumento en el impuesto tiene una influencia para una cantidad
  • de cigarrillos empacados consumidos por día.
  • Cómo las horas de sueño afectadas nuestras calificaciones en los cursos.
  • Ver correlación de experiencia por salarios.
  • La correlación entre el piso de la casa es versus el precio de la casa.
  • La segunda aplicación es pronosticar nuevas observaciones
  • (valores no observados).

Clasificación

  • Es el tipo de aprendizaje supervisado en el que los datos etiquetados se
  • utilizan para hacer predicciones en una forma no continua .
  • La salida de la información no siempre es continua, y el gráfico no es lineal .
  • En la técnica de clasificación, el algoritmo aprende de la entrada de datos
  • que se le da y luego utiliza este aprendizaje para clasificar observaciones nuevas.
  • Este conjunto de datos puede ser meramente bi-class, o también puede ser multi-class.
  • Ej: Uno de los ejemplos de problemas de clasificación es verificar si el correo
  • electrónico es spam o no spam entrenando el algoritmo para diferentes
  • palabras spam o correos electrónicos. (Vecinos más cercanos a
  • K, SVM, Kernel, Naïve Bayes, Árbol de Decisiones, Bosque Aleatorio)
  • Los árboles de clasificación se utilizan para separar el conjunto de datos
  • en clases que pertenecen a la variable de respuesta. Normalmente, la variable
  • de respuesta tiene dos clases: Sí o No (1 o 0).
  • Los árboles de regresión son necesarios cuando la variable de respuesta
  • es numérica o continua. Por ejemplo, el precio previsto de un bien de consumo.
  • Por lo tanto, los árboles de regresión son conexiones para el tipo de
  • predicción de problemas en oposición a la clasificación.

Ejemplos

Si desea predecir si una persona hará clic en un anuncio en línea

ml1.jpgPage-20-Image-51.png
  • En comparación, el algoritmo de Bosque aleatorio selecciona al azar observaciones
  • y características para construir varios árboles de decisión y luego promedia los resultados.
  • En el dominio de la atención médica se utiliza para identificar la combinación
  • correcta de componentes en la medicina y para analizar el historial médico de
  • paciente para identificar enfermedades. En el comercio electrónico, el bosque
  • aleatorio se utiliza para determinar si un cliente realmente le gustará el producto o no.

Entendiendo por qué los clientes se van

“Cuesta mucho menos mantener un cliente existente que ganar un nuevo cliente”

El proveedor de servicios móviles debe poder observar los patrones a partir de los datos

y las anomalías. El proveedor de servicios móviles tiene la ventaja de tener acceso a grandes

volúmenes de datos entre muchos clientes diferentes. Al utilizar el algoritmo correcto,

el proveedor puede crear un modelo que mapee los tipos de ofertas y promociones

retendrán a los clientes y agregaran nuevos.

¿Cuánto costará retener y agregar nuevos clientes?

¿Los nuevos planos reducirán

los ingresos reducidos?

¿El gasto justificará los esfuerzos?

Estos son los tipos

de predicciones que pueden proporcionar una técnica de aprendizaje automático.

¿Cuál es la diferencia entre un enfoque de BI tradicional y un enfoque?

¿de aprendizaje automático para la rotación de clientes?

Capture2.PNG

Evitar que ocurran accidentes

  • Industrias como fabricación, petróleo y gas, y servicios públicos tienen éxito
  • o fracasan en función de su capacidad para evitar accidentes.
  • Si bien es común tener un programa de manteni

  • miento, a menudo no es suficiente.
  • Por ejemplo, puede haber una falla en un sistema de calefacción o aire acondicionado.
  • Podría haber un cambio dramático en las condiciones climáticas
  • que podrían afectar la maquinaria.

    • Los algoritmos de aprendizaje automático pueden evitar el mantenimiento
    • preventivo de varias maneras. Por ejemplo, un algoritmo de regresión
    • puede usar como base para un modelo que puede predecir el tiempo de
    • falla de una máquina. Se pueden usar varios algoritmos de clasificación
    • para modelar los patrones asociados con las fallas de la máquina.
    • Los datos generados por los sensores detectan un gran volumen de datos
    • semi estructurados que pueden modelar y comparar patrones de rendimiento

    • para que puedan detectar una anomalía en el rendimiento normal.

😊MÁQUINA APRENDIZAJE NO SUPERVISADO👍

  • Los datos sin etiqueta se usan para entrenar el algoritmo, lo que significa
  • que se usó contra los datos que no tienen etiquetas históricas.
  • El propósito es explorar los datos y encontrar alguna estructura dentro.
Capture3.PNG
  • Por ejemplo: puede identificar segmentos de clientes con atributos
  • similares que luego pueden ser tratados de manera similar en
  • campañas de marketing.
  • O puede encontrar los atributos principales que separan los
  • segmentos de clientes entre sí.
  • Las técnicas populares incluyen mapas autoorganizativos, mapas de redes
  • cercanas, agrupación por k-medias y descomposición de valores singulares .
  • Estos algoritmos también se utilizan para segmentar temas de texto,
  • recomendar elementos e identificar valores atípicos de datos.

Agrupación

El análisis Clúster o agrupación en clúster es la tarea de agrupar un

conjunto de objetos de tal manera que los objetos en el mismo grupo

(denominado clúster ) sean más similares (en cierto sentido) entre

sí que a los otros grupos (agrupaciones).

Page-26-Image-61.png
  • La agrupación de clientes utiliza datos de transacciones de compra
  • para rastrear el comportamiento de compra y luego crear nuevas
  • iniciativas comerciales basadas en los hallazgos.
  • El objetivo de marketing típico es enfatizar y retener a los clientes de alto
  • riesgo, alto valor y alto beneficio: este grupo “premium”
  • que representa el 10-20 por ciento del total de compradores
  • a menudo produce el 50-80 por ciento de las ganancias de una empresa.
  • Una vez que se identifica este grupo, debe considerar las técnicas de
  • venta cruzada y venta cruzada que contribuyen aún más al potencial
  • de rentabilidad de este grupo de datos atractivo.

Los árboles de decisión a veces se necesitan para campañas de marketing.

Es posible que desee predecir el resultado de enviar a los clientes y

prospectos un cupón de 20 por ciento.

Puede dividir a los clientes en cuatro segmentos:

Capture4.PNG

! Dirigirse un persuadibles le Dará el mejor retorno de la inversión

(ROI). Un árbol de decisiones lo ayudará a identificar estos cuatro grupos de

clientes y organizar prospectos y clientes según quién reacciona

 mejor a la campaña de marketing.


Reducción de dimensionalidad

  • La reducción de la dimensión ayuda a los sistemas a eliminar
  • datos que no son útiles para el análisis.
  • Este grupo de algoritmos se utiliza para eliminar datos redundantes,
  • valores atípicos y otros datos no útiles.
Page-28-Image-64.png
  • La reducción de la dimensión puede ser útil cuando se analizan datos de
  • sensores y otros casos de uso de Internet de las cosas (IoT).
  • En los sistemas de IoT, puede haber millas de puntos de datos que simplemente
  • le indican que un sensor está encendido. Almacenar y analizar los datos
  • “en” no es útil y ocupar un espacio de almacenamiento importante.
  • Además, al eliminar estos datos redundantes , el rendimiento de
  • un sistema de aprendizaje automático mejorará.
  • Finalmente, la reducción de la dimensionalidad también mejora a los
  • analistas a visualizar los datos .

APRENDIZAJE DE MÁQUINAS POR REFUERZO

  • El aprendizaje por refuerzo se utiliza a menudo para robótica,
  • juegos y navegación.
  • Con el aprendizaje por refuerzo, el algoritmo descubre mediante prueba
  • y error qué acciones realizan las mayores recompensas.
  • Este tipo de aprendizaje tiene tres componentes principales: el agente
  • (el aprendiz o el que toma las decisiones), el entorno
  • (todo lo que el agente interactúa) y las acciones (lo que el agente puede hacer).
Page-30-Image-70.png

APRENDIZAJE PROFUNDO | REDES NEURONALES

  • El aprendizaje profundo – redes neuronales complejas – está diseñado
  • para emular el funcionamiento del cerebro humano, de modo que las
  • computadoras pueden recibir capacitación para lidiar con las abstracciones
  • y los problemas que están mal relacionados.
  • Las redes neuronales y el aprendizaje profundo a menudo se usan en aplicaciones
  • de reconocimiento de imagen, voz y visión de computadora.
Capture5.PNG
  • Detección de Rostro
Page-33-Image-78.png
  • Reconocimiento de Voz
Page-33-Image-79.png

RESUMEN

Casos de ejemplo de uso de Machine Learning

  • Industria manufacturera

    • Detección de anomalías en plantas de fabricación de acero: supervisar el proceso de producción
    • Chequeo de calidad en la industria del automóvil: monitorear el proceso de montaje
    • Gestión de inventario: estimar la condición del inventario.
  • Minoristas

FUENTE

  •  
    • Comprometer a los clientes rezagados: predice qué cliente es poco probable que regrese
    • Aumenta el tamaño promedio de los pedidos: haz recomendaciones más inteligentes
    • Reduzca el desperdicio de marketing: para conocer
    • qué productos recibió la mejor respuesta del consumidor y adaptar las tácticas de mercadeo.
  • Marketing y Ventas

    • Valor de por vida: predicciones sobre la mayoría de los clientes en
    • ciernes y un esfuerzo de ventas objetivo hacia ellos
    • Churn: predicciones de quién se está yendo, reenfocando y personalizando el trato
    • Análisis de opiniones: análisis de PNL en los comentarios de los clientes

  • Seguridad
    • Filtrado de Spam
    • Detección de fraude: bloqueo de clientes / transacciones de dinero potencialmente fraudulentas

 

https://ads.stickyadstv.com/vast/vpaid-adapter/8805713