Clasificación-Algoritmo (ML)

Algoritmos-ML
juan

Nota: (Los Algoritmo-Machine-Learning (ML) es el combustible que mueven los procesos de aprendizaje. Con ellos podemos obtener la información que necesitamos para tomar decisiones o predecir el comportamiento de los datos suministrados).

Nota: Los Algoritmo son conjunto ordenado de operaciones sistemáticas que permite hacer un cálculo y hallar la solución de un tipo de problemas.

 

Clasificación-Algoritmo (ML)

-. Haremos dos Clasificación-Algoritmo-Machine-Learning (ML). La primera: es una agrupación de algoritmos por su tipo de aprendizaje. La segunda: es una agrupación de algoritmos por su similitud. Tenemo tantos algoritmos que nos desborda, parecen no tener fin, para hacernos una idea, en este enlace de Wikipedia tenemos una buena recopilación .

Nota: Empezamos con la primera opción la agrupación de algoritmos por su tipo de aprendizaje y mas contretamente por Aprendizaje-Supervisado.

 

Aprendizaje-Supervisado:

-. En la entrada tenemos los datos de entrenamiento; tienen una etiqueta o resultado que ya conocemos. Tenemos un modelo se somete aun entrenamiento en el cual hacemos perdiciones, en este proceso se corrigen cuando son incorrectas, el proceso termina cuando el modelo alcanza el nivel deseado. Estas perdiciones son la clasificación y la regresión.

Clasificación:

  • Decision tree: Muestra un algoritmo que solo contiene declaraciones de control condicionales.
  • Regresión logística: Un evento sean una combinación lineal de una o más variables independientes.
  • Clasificador Naive Bayes: Se basan en la aplicación del teorema de Bayes
  • Clasificación SVM: Variante del algoritmo de máquina de vectores de soporte
  • k-vecinos más cercanos k-NN: Se utiliza para clasificación y regresión

Regresión:

  • Regresión lineal: Modela la relación entre una respuesta escalar y una o más variables explicativas.
  • Regresión polinomial: Relación entre la variable independiente y la variable dependiente y se modela como un polinomio.
  • Regresión regularizacion: Proceso que cambia la respuesta del resultado para que sea más simple.

Nota: Posteriormente seguimos con la primera opción la clasificación de algoritmos por su tipo de aprendizaje y mas concretamente por Aprendizaje no Supervisado.

 

Aprendizaje no Supervisado:

. En la entrada tenemos los datos de entrenamiento; no están etiquetados y el resultado no lo conocemos. este modelo se somete deduciendo estructuras presentes en los datos de entrada. De estos datos se extraer reglas generales. Con un proceso matemático para reducir sistemáticamente la redundancia, o para organizar los datos por similitud. Estas perdiciones son el agrupamiento, la reducción de la dimensionalidad y el aprendizaje de reglas de asociación.

Agrupamiento-(Clustering):

  • k-means clustering: Método de cuantificación vectorial.
  • k-medians clustering: Algoritmo de análisis de conglomerados.
  • Mean shift: Denominado algoritmo de búsqueda de modo
  • DBSCAN: Algoritmo no paramétrico de agrupamiento basado en la densidad

Reducción Dimensionalidad-(Dimensionality Reduction):

  • Análisis de Componentes Principales (PCA): Grandes conjuntos de datos que contienen una gran cantidad de dimensiones/características por observación.
  • Análisis Discriminante Lineal (LDA): Encontrar una combinación lineal de características que caracteriza o separa dos o más clases de objetos.

Aprendizaje de Reglas de Asociación-(Association Rule Learning):

  • Eclat algorithm: Transformación de clase de equivalencia
  • Apriori algorithm: Identificando los elementos individuales frecuentes en la base de datos
  • F-P Grawth Algorithm: Versión mejorada del algoritmo Apriori

Nota: Y lo ultimo de la primera opción la clasificación de algoritmos por su tipo de aprendizaje y mas concretamente por Aprendizaje por Refuerzo.

 

Aprendizaje por Refuerzo:

-. El objetivo de este algoritmo es que aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas.

  • Q-learning: Algoritmo sin modelo para aprender el valor de una acción en un estado particular.
  • Algorithms A3C: Utiliza una arquitectura de red neuronal actor-crítico.
  • Deep Q-Network DQN: Se aproxima a una función de estado-valor.
  • State–action–reward–state–action (SARSA): Aprender una política de proceso de decisión de Markov
  • Dynamic programming: Problema complicado dividiéndolo en subproblemas más simples de manera recursiva.

 

Nota: Empezamos con la segunda opción es una agrupación de algoritmos por su similitud.

Algoritmos-Clasificación-Similitud:

Nota: Esta es la lista de los Algoritmos, clasificados por el método de funcionamiento; tenemos que tener en cuenta que un alto grado de utilización de estos Algoritmos, en definitiva los mas usados son los de Regresión y Clasificación .

Algoritmos de Redes-Neuronales-Artificiales:

-. Estos Algoritmos lo normal es utilizarlos para Regresión y Clasificación. Este tipo de Algoritmos forman parte de un conjunto enorme de centenares de Algoritmos, por estas razones el Deep-Learning & Redes-Neuronales-Artificiales se han separado “entre comillas” de Machine-Learning; y por constituir un bloque de iA enorme, con un auge sinigual.

  • Perceptrón
  • Perceptrones multicapa (MLP)
  • Descenso de gradiente estocástico
  • Propagación hacia atrás
  • Red de función de base radial (RBFN)
  • Red Hopfield

Algoritmos de Aprendizaje-Profundo (Deep-Dearning):

-. Estos Algoritmos constituyen el siguiente nivel del anterior; sobretodo un paso adelante en complejidad del diseño de Redes-neuronales-Artificiales, mucho mas grandes, complejas y manejar conjuntos de datos muy grandes; (imágenes , Texto , audio y video).

  • Redes neuronales recurrentes (RNN)
  • Red neuronal convolucional (CNN)
  • Redes de memoria a largo plazo (LSTM)
  • Redes de creencias profundas (DBN)
  • Máquina profunda de Boltzmann (DBM)

Nota: Esto dos tipos de Algoritmos (Deep-Dearning) y (Redes-Neuronales-Artificiales) en esta publicación tiene su sección aparte en iA / Deep-Learning el la cual se desarrollan o se desarrollaran mas estensamente.

 

Algoritmos de Regresión:

-. En un modelo hacemos una predicción y la Regresión se necesita para modelar la relación entre la variables que afina interactivamente con los errores de la predicción. Los algoritmos de Regresión modelan la relación entre distintas variables, utilizando una medida de error que se intenta minimizar.

  • Regresión lineal
  • Regresión logística
  • Regresión de mínimos cuadrados ordinarios (OLSR)
  • Regresión por pasos
  • Splines de regresión adaptativa multivariante (MARS)
  • Suavizado de diagrama de dispersión estimado localmente (LOESS)

Algoritmos de Árboles de Decisión (Decision-Tree-Algorithms)

. Los Algoritmos-Decision-Tree es un algoritmo no paramétrico, que se utiliza tanto para tareas de Clasificación como de Regresión. Tiene una estructura de árbol jerárquico, que consta de un nodo raíz, ramas, nodos internos y nodos hoja. Comienza con un nodo raíz, que no tiene ramas entrantes. Las ramas salientes del nodo raíz alimentan los nodos internos, también conocidos como nodos de decisión.

  • Árbol de clasificación y regresión (CART)
  • Dichotomizador iterativo3 (ID3)
  • C4.5 y C5.0 (diferentes versiones de un enfoque poderoso)
  • Detección automática de interacción de chi-cuadrado (CHAID)
  • Tocón de decisión
  • M5
  • Árboles de decisión condicionales

Algoritmos basados en instancias:

-. Tenemos un modelos de Aprendizaje para problemas de Decisión con Instancias o Muestras de datos, de los datos de entrenamiento que son requeridos por el modelo. se crea un modelo a partir de una base de datos y se agregan nuevos datos comparando su similitud con las muestras ya existentes para encontrar la mejor pareja y hacer la predicción.

  • k-vecino más cercano (kNN)
  • Máquinas de vectores de soporte (SVM)
  • Cuantificación de vectores de aprendizaje (LVQ)
  • Aprendizaje ponderado localmente (LWL)
  • Mapa autoorganizado (SOM)

Algoritmos de Reducción de Dimensionalidad:

-. Los métodos de Reducción de Dimensionalidad son algoritmos que mapean el conjunto de los datos a subespacios derivados del espacio original, de menor dimensión, que permiten hacer una descripción de los datos a un menor costo.

  • Análisis de componentes principales (PCA)
  • Regresión de componentes principales (PCR)
  • Regresión de mínimos cuadrados parciales (PLSR)
  • Mapeo de Sammón
  • Escalado multidimensional (MDS)
  • Persecución de proyección
  • Análisis Discriminante Lineal (LDA)
  • Análisis Discriminante de Mezclas (MDA)
  • Análisis Discriminante Cuadrático (QDA)
  • Análisis Discriminante Flexible (FDA)

Algoritmos de Clustering (Agrupamiento)

-. Un Algoritmo de Clustering–Agrupamiento es una solución para agrupar los elementos de un conjunto de datos según su similaridad, de forma que se generan diferentes grupos o clústeres que contienen objetos similares entre sí. En definitiva organizar lo mejor posible los datos en grupos de máxima similitud.

  • k-medias
  • k-medianas
  • Maximización de expectativas (EM)
  • Agrupación jerárquica

Algoritmos Bayesianos:

. Este modelos son una clase especial de Algoritmos de clasificación Machine-Learning, su principio es una técnica de clasificación estadística llamada Teorema de Bayes. Proporciona una forma de crear modelos con un comportamiento muy bueno debido a su simplicidad. En los modelos Bayesianos se aplican explícitamente el Teorema-Bayes para problemas como la Clasificación y la Regresión.

  • Bayesiana ingenua
  • Bayesiano ingenuo gaussiano
  • Bayes ingenuo multinomial
  • Estimadores promediados de una dependencia (AODE)
  • Red de creencias bayesianas (BBN)
  • Red bayesiana (BN)

Algoritmos de Regularización:

-. En Machine-Learning (ML), el aprendizaje consiste en encontrar los coeficientes que minimizan una función de coste, la Regularización añade una penalización a la función de coste. Esta penalización produce modelos más simples y generalizan mas fácilmente. La Regularización significa hacer que sea mas facil. La Regularización es una técnica que reduce el error de un modelo evitando el sobreajuste y entrenando al modelo para que funcione correctamente.

  • Regresión de Ridge-L2
  • Operador de selección y contracción mínima absoluta (LASSO–L1)
  • Red ElasticNet
  • Regresión de ángulo mínimo (LARS)

Algoritmos de Reglas-Asociación:

. Los Algoritmos de Reglas-Asociación, en principio usamos un modelos de Machine-Learning para analizar los datos en busca de patrones, o concurrencias, en una determinada base de datos. En ella identifica los patrones, asociaciones frecuentes, en definitiva, esto es las reglas de asociación.

  • Algoritmo a priori
  • Algoritmo Eclat

 

Recopilando:

Los siguientes post irán orientados por la Clasificación de Similitud, el los cuales nos extenderemos con más profundidad en cada tipo de Algoritmos.