Diferencias

Muestra las diferencias entre dos versiones de la página.

--- ai:machine_learning [2011/10/14 14:36]
alfred
+++ ai:machine_learning [2020/05/09 09:25] (actual)
@@ Línea 13: / Línea 13: @@
 === Aprendizaje supervisado ===
 === Aprendizaje no supervisado ===
 ==== El proceso ====
+=== Modelo ===
+Un modelo es una expresión simbólica en forma de igualdad o ecuación, es una estructura que, a partir de parámetros, se utiliza para indicar qué variables intervienen en la respuesta.
+=== Modelo sobreespecializado ===
+Las estimaciones que realiza son siempre iguales a los datos de entrada iniciales y no predice correctamente los nuevos.
 El proceso de aprendizaje consiste en entrenar algoritmos, esto significa encontrar los parámetros más adecuados para redes neuronales, SVM... Lo que se hace es separar los datos que tenemos en datos de entrenamiento y de aprendizaje (estos deberían ser un tercio o un cuarto) y lanzar el algoritmo con los de entrenamiento hasta encontrar los parámetros. Una vez se tienen se probarían con los de test para asegurarnos que funciona. Si el algoritmo la clava con los de entrenamiento pero falla mucho con los de test diremos que está sobreentrenado, que hay //overfitting//.
-==== Evaluación del modelo ====
+==== Evaluación del resultado ====
+:!: Agregar: [[http://en.wikipedia.org/wiki/Accuracy_and_precision]]
+=== Recall ===
+=== Precision ===
+=== Accuracy ===
+=== F-Measure ===
+=== Confusion matrix ===
 ==== Cross-Validation ====
 ==== Tipos de error ====
-===== KNN =====
-  * También denominado **K nearest neighbors**.
-===== Neural Networks =====
-==== El perceptrón ====
-==== El algoritmo de backpropagation ====
+===== Modelos de Markov =====
+Un modelo de Markov no es más que un modelo en el que una acción ocurre con probabilidad condicional independiente a las demás; esto permite calcularla fácilmente. \\
+En un modelo existen:
+  * Estados que se pueden dar.
+  * Probabilidades iniciales de los estados, que un estado sea el primero.
+  * Probabilidades de cambio de un estado a otro.
+  * Acciones que se pueden llevar a cabo.
+  * Probabilidad de que las acciones se lleven a cabo según el estado.
+<code python>
+estados = ('Lluvioso', 'Soleado')
+observaciones = ('caminar', 'comprar', 'limpiar')
+probabilidad_inicial = {'Lluvioso': 0.6, 'Soleado': 0.4}
+probabilidad_transicion = {
+   'Lluvioso' : {'Lluvioso': 0.7, 'Soleado': 0.3},
+   'Soleado'  : {'Lluvioso': 0.4, 'Soleado': 0.6},
+   }
+probabilidad_emision = {
+   'Lluvioso' : {'caminar': 0.1, 'comprar': 0.4, 'limpiar': 0.5},
+   'Soleado'  : {'caminar': 0.6, 'comprar': 0.3, 'limpiar': 0.1},
+   }
+</code>
+Los problemas que pueden ser resueltos gracias a las cadenas de Markov son:
+  - Calcular la probabilidad de que ocurra algo (problema de evaluación), se monta el modelo y se calcula las probabilidades a partir de la anterior.
+  - Calcular, dando un modelo y un resultado, qué secuencia de estados es más probable que haya seguido (problema de decodificación, con algoritmo de Viterbi). Se monta el modelo y se van calculando probabilidades, se escogerá como resultado la secuencia de estados más probables.
+  - Crear un modelo desde 0. Problema de aprendizaje.
+Un modelo oculto de Markov es cuando se conoce una salida pero no el paso por los estados, estos podrían respresentar por ejemplo gestos del usuario: el sistema recbe unos datos y según estos podría indicar qué gestos han sido realizados (tipo de problema 2).
+==== Notas ====
+  * {{numbers:statistics:introduction_to_markov_chains.zip|Vídeos sobre el montaje del modelo y el cálculo de probabilidades}}.
+  * {{numbers:statistics:ejmarkov.pdf|Ejemplos de uso de los modelos de Markov}}.
+  * {{numbers:statistics:hidden-markov-models01.pdf|Documento sobre como resolver los distintos problemas}}.
 ===== Notas =====

Programming

Herramientas de usuario

Herramientas del sitio

Diferencias

Herramientas de la página