Introducción (IAAA)

En Introducción al Aprendizaje Automático, se abordan los fundamentos teóricos y prácticos de los algoritmos que permiten a las computadoras aprender a partir de los datos. Se estudian distintos enfoques y técnicas para construir modelos capaces de identificar patrones, hacer predicciones o tomar decisiones sin ser programados explícitamente para cada tarea.

Programación Tradicional vs Aprendizaje Automático

En la programación tradicional nuestro input a una computadora son los datos y el programa/algoritmo, para recibir una salida determinada. El aprendizaje automático nos permite pasar datos y una salida esperada, para recibir un programa (modelo) que generaliza esa relación.

• El algoritmo encuentra patrones en los datos para realizar una tarea determinada.

• Los patrones se reflejan en una función aproximada que describe el comportamiento del modelo en base a la experiencia.

• La aproximación de dicha función corresponde a una búsqueda en un espacio de hipótesis (espacio de funciones) por aquella que prediga mejor el comportamiento de los datos.

• Distintos enfoques/métodos de aprendizaje auto. asumen distintos espacios de hipótesis o utilizan distintas estrategias de búsqueda.

Tipos de problema

Aprendizaje supervisado

Este recibe datos de entrenamiento y genera una salida esperada. Se divide en regresión y clasificación.

En el primero se parte de un conjunto de datos $(x_1, y_1), (x_2, y_2), \ldots, (x_n, y_n)$

Pretendemos aprender una $f(x)$ que permita predecir $y$ a partir de $x$.

• Si la variable es numérica entonces hablamos de regresión.
• Si la variable es categórica entonces hablamos de clasificación.

Aprendizaje no supervisado

Recibe solo datos de entrenamiento.

Dados $x_1, x_2, \ldots, x_n$, el algoritmo aprende de la estructura interna de esos datos.
Mediante clustering se agrupan los datos en diferentes clusters o grupos según sus similitudes.

Aprendizaje auto-supervisado

Partimos de un conjunto de datos sin etiquetas. En lugar de buscar patrones en los datos, utilizamos la estructura interna de los datos para generar tareas de pretexto (supervisión)

Aprendizaje por refuerzo

Un agente aprende a tomar decisiones mediante la interacción con un ambiente. El objetivo del agente es maximizar una recompensa otorgada por tomar ciertas acciones en un ambiente específico.

Esquema de un modelo de aprendizaje automático

Primero partimos de un conjunto de datos $\{ (x_i, y_i) \}^n_{i=1}$

Luego separamos los datos con una composición similar a (porcentajes sujetos a cambio):

• $60$ en datos de entrenamiento
• $20$ para validación
• $20$ para testeo

En la etapa de entrenamiento, el modelo aprende una función de predicción $f(x, \theta, \mu)$ donde:

• $x$ es el conjunto de datos
• $\theta$ son los parámetros (los que tenemos que aprender/encontrar)
• $\mu$ son los hiperparámetros (variables externas establecidas antes de entrenar el modelo)

Los parámetros se van ajustando en base a una función de pérdida $L(y, f(x, \theta, \mu)) \implies$ cuantifica la diferencia entre la predicción y el valor real.

Ejemplo de función de pérdida para el problema de regresión:

(este cuantifica la diferencia entre la predicción y el valor real)

Los hiperparámetros $\mu$ son ajustados con el subconjunto de validación.

El modelo es testeado con un modelo de datos que nunca vió, es decir el subconjunto de testeo.