Edit me

advetencia: este documento es un trabajo en progreso

Machine learning para no-ingenieros: un catálogo

El objetivo de este documento es proveer un catálogo de técnicas, objetos y conceptos de machine learning para no-ingenieros. A fin de agilizar y clarificar la cooperación entre ambos mundos.

¿Que es machine learning?

Machine learning son un extenso conjunto de métodos que nos permiten aprender o descubrir las reglas que producen el resultado deseado.

En contraste con el software clásico, que aplica reglas a los datos para generar un resultado deseado.

Por tipo de resultado

Predicción numérica (regresión)

Entrega un resultado numerico, generalmente un solo numero real. Ejemplos:

  • Predicción ventas (por cliente, por sesión, por periodo de tiempo, etc)
  • Optimización de métricas industriales (como temperatura de caldera, metros cúbicos por segundo de flujo, etc)
  • Valorización de commodities

Predicción categórica (clasificador)

Entrega un resultado categórico. Ejemplos:

  • Modelos de fuga (clientes, trabajadores, usuarios, etc)
  • Clasificación de objetos reales (productos, rostros, materiales industriales, etc)
  • Otro ejemplo aquí

Clustering (datos no etiquetados)

Agrupa muestras no etiquetadas a partir de sus características. Ejemplos:

Detección de anomalías

Reducción dimensional

Por tipo de datos

Series de tiempo

  • Causalidad
  • ciclicidad

Texto: procesado de lenguaje natural (NLP)

Procesan textos, generalmente en un solo idioma de una industria en particular. Ejemplos:

  • auto-resumen
  • complete la oración (predictor de la siguiente palabra)
  • auto-traducción
  • minería de datos en: informes, quejas, expedientes, etc.

Video/Imagen: Computer vision

resultados de otros modelos: vectores de características

Por tipo de reglas

Redes neuronales: deep learning

EDGE / Cloud