MACHINE LEARNING. TÉCNICAS DE APRENDIZAJE SUPERVISADO A TRAVÉS DE R PDF Download

Author: Cesar Perez Lopez
Publisher: CESAR PEREZ
ISBN: 1716967090
Category : Computers
Languages : en
Pages : 205

View

Book Description
En este libro se desarrollarán técnicas de aprendizaje supervisado relativas a regresión. Más concretamente, se profundizará en los modelos lineales de regresión múltiple con toda su problemática de identificación, estimación y diagnosis. Se hace especial hincapié en el tratamiento de la multicolinealidad a través de la Ridge Regression (regresión en cadena) y el método PLS de los mínimos cuadrados parciales. Se dedica una parcela importante del contenido a los modelos de variable dependiente limitada y recuento, con especial mención a los modelos Logit y Probit. Por último se tratan también los modelos predictivos del análisis de la varianza y la covarianza.

Author: F Marqués
Publisher:
ISBN:
Category :
Languages : es
Pages : 400

View

Book Description
En este libro se desarrollarán técnicas de aprendizaje supervisado relativas a regresión lineal y no lineal. Más concretramente, se profundizará en los modelos lineales de regresión múltiple uniecuacionales y multiecuacionales con toda su problemática de identificación, estimación y diagnosis. También se contemplan los modelos dinámicos y los modelos de series temporales univariantes y multivariantes. Se dedica una parcela importante del contenido a los modelos de variable dependiente limitada, recuento y selección muestral, con especial mención a los modelos Logit, Probit y Tobit. Por último se tratan también los modelos predictivos no lineales.

Author: F Marqués
Publisher:
ISBN:
Category :
Languages : en
Pages : 392

View

Book Description
In this book, supervised learning techniques (econometrics techniques) related to regression will be developed. More specifically, we will go deeper into the linear models of uniecuational and multiecuational multiple regression with all their problems of identification, estimation and diagnosis. Dynamic models and univariate and multivariate time series models are also contemplated. An important part of the content is devoted to limited dependent variable, count and sample selection models, with special mention to Logit, Probit and Tobit models. Finally, non-linear predictive models and panel data models are also discussed.

Author: F Marqués
Publisher:
ISBN:
Category :
Languages : es
Pages : 176

View

Book Description
En este libro se desarrollarán técnicas de aprendizaje supervisado relativas a regresión multiecuacional. Más concretamente, se profundizará en los modelos lineales de ecuaciones simultáneas (Linear regression), en los los modelos no lineales uniecuacionales y multiecuacionales, en los modelos multivariantes de series temporales (VAR, VARX, VARMA, VARMAX, BVAR, etc.) y en los modelos de regresión particionada y segmentada. Se presentan ejemplos y ejercicios que se resuelven con paquetes de software actual, como SAS, STATA, EVIEWS y SPSS.

Author: Emilio Soria Olivas
Publisher: Ra-Ma Editorial
ISBN: 8419444987
Category : Computers
Languages : es
Pages : 183

View

Book Description
El presente libro tiene una clara vocación didáctica, se dirige a todas las personas que quieren adentrarse en el apasionante campo del aprendizaje automático combinando la teórica con la práctica para que sea sencillo asimilar las explicaciones. En esta obra se revisan los algoritmos más comunes y su implementación en Python. Comienza con una introducción a las claves que han impulsado nuestra sociedad hacia “la era de los datos” y explora cómo, mediante técnicas de aprendizaje automático, obtener partido a la inmensa cantidad de datos que hoy nos rodea. A continuación, se presenta el aprendizaje no supervisado con sus principales algoritmos y usos: agrupamiento, manifolds, reglas de asociación y algoritmos de detección de anomalías. Le sigue el aprendizaje supervisado; partiendo del modelo más simple, modelo lineal multivariante, se llega a las Máquinas de Soporte Vectorial (SVM). Finalmente, finaliza con el aprendizaje profundo (gran parte de lo que denominamos Inteligencia Artificial) donde se explican, de una manera sencilla e intuitiva, los perceptrones multicapa profundos, las redes convolucionales profundas (CNN) y los modelos recurrentes Long Short Term Memory (LSTM). Esta obra contiene numerosas aplicaciones prácticas con su código Python que podrá descargar desde la web del libro. ¿Te lo vas a perder? El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es. Los contenidos adaptados al Curso de Especialización en Inteligencia Artificial y Big Data.

Author: Contreras, Leonardo Emiro
Publisher: Editorial Universidad Distrital Francisco José de Caldas
ISBN: 9587875184
Category : Education
Languages : es
Pages : 260

View

Book Description
Las herramientas de aprendizaje automático están siendo muy utilizadas por sus buenas aproximaciones al predecir el rendimiento académico de los estudiantes. Se analiza información de la última década con el objetivo de identificar los factores que influyen sobre el rendimiento académico en el nivel superior, a partir de modelos realizados por medio de técnicas de aprendizaje automático. Se plantea una clasificación en factores académicos, sociodemográficos, de aprendizaje en línea, de gestión académica, psicosocial y de entorno académico. También se identifican los algoritmos más usados en su predicción. Adicionalmente, la detección de las variables que más influyen en el fenómeno permitirá implementar algoritmos de Machine Learning pertenecientes a otras ramas de este campo. Así pues, al ahondar un poco más sobre la aplicación de herramientas de Machine Learning en educación superior, este trabajo servirá a docentes e investigadores que deseen investigar estos temas.

Author: A Vidales
Publisher:
ISBN: 9781696919050
Category :
Languages : es
Pages : 160

View

Book Description
Los conjuntos de datos grandes y de alta dimensión son comunes en la era moderna de la instrumentación computarizada y el almacenamiento electrónico de datos. Los datos de alta dimensión presentan muchos desafíos para la visualización, el análisis y el modelado estadístico. La visualización de datos, por supuesto, es imposible más allá de unas pocas dimensiones. Como resultado, el reconocimiento de patrones, el pre procesamiento de datos y la selección de modelos deben basarse en gran medida en métodos numéricos. Las técnicas de aprendizaje automático (Machine Learning) ayudan en estas tareasEl aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena un modelo sobre datos de entrada y salida conocidos para que pueda predecir salidas futuras, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.El objetivo del aprendizaje supervisado es construir un modelo que haga predicciones basadas en la evidencia en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos (este libro desarrolla técnicas de clasificación).El aprendizaje sin supervisión encuentra patrones ocultos o estructuras intrínsecas en los datos. Se utiliza para extraer inferencias a partir de conjuntos de datos que consisten en datos de entrada sin respuestas etiquetadas. El agrupamiento por clúster es la técnica de aprendizaje no supervisado más común. Se utiliza para el análisis exploratorio de datos para encontrar patrones o agrupaciones ocultos en los datos. Las aplicaciones para la agrupación incluyen el análisis de secuencias genéticas, la investigación de mercado y el reconocimiento de objetos.

Author: F. MARQUÉS
Publisher:
ISBN:
Category :
Languages : es
Pages : 237

View

Book Description
En este libro se desarrollarán técnicas de aprendizaje supervisado relativas a regresión y a clasificación. Má concretramente, se profundizará en los modelos de regresión lineal generalizados GLM (Logit y Probit), los modelos dinámicos de regresión lineal, los modelos de regresión lineal particionada y segmentada (Linear regression), los modelos de regresión no lineales, los modelos de regresión lineal con estructura de panel y los modelos predictivos de clasificación y segmentación, profundizando especialmente en los modelos de Análisis Discriminante (Discriminant Analysis) y en los modelos de Árboles de Decisión (Decision Trees). Por último se profundiza en los modelos de redes neuronales (Neural Networks). Se presentan ejemplos y ejercicios que se resuelven con el software SPSS.

Author: F Marqués
Publisher: Independently Published
ISBN:
Category :
Languages : es
Pages : 0

View

Book Description
El objetivo del aprendizaje automático supervisado es construir un modelo que haga predicciones basadas en evidencia en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos. En este libro se desarrollan técnicas de Machine Learning de aprendizaje supervisado y se ilustran con ejemplos total resueltos a partir del software adecuado para ello. Se utilizará la plataforma IBM SPSS Modeler ideal para trabajar con herramientas visuales en todas las facetas del Machine Learning.

Author: Clara Higuera Cabañes
Publisher:
ISBN:
Category :
Languages : en
Pages :

View

Book Description
Las disciplinas de bioinformática y biología computacional, que se sirven de técnicas informáticas para dar solución a problemas en biología, se han posicionado como piezas clave en la investigación en biología molecular. Tanto por la gran cantidad de información compleja generada en los laboratorios como por la necesidad de simular in silico determinados procesos biológicos para su estudio, actualmente es esencial el desarrollo de nuevos métodos computacionales que asistan en la investigación en biología. Uno de los temas centrales en biología molecular es el estudio del metabolismo, que se define como una red intrincada de reacciones químicas que ocurren dentro de la célula y por medio de las cuales los organismos se mantienen vivos. Precisamente el estudio mediante técnicas computacionales basadas en aprendizaje automático del metabolismo y su efecto en el comportamiento de sistemas biológicos constituye el tema central del presente trabajo de investigación. En él se proponen soluciones computacionales para resolver tres problemas biológicos concretos que comprenden un estudio dinámico, un estudio estructural y otro funcional del metabolismo. El primer trabajo, que se corresponde con un estudio dinámico, estudia la regulación a nivel enzimático de un modelo de un ciclo metabólico mediante la aplicación novedosa de métodos de optimización, con especial hincapié en la optimización multi-objetivo y con el objetivo de encontrar un esquema de regulación universal para el modelo de estudio. El segundo trabajo se corresponde con un estudio estructural en el que el objetivo es agrupar un conjunto de especies bacterianas por similitud en determinadas características metabólicas. Para ello, se diseñó un sistema experto basado en la combinación de técnicas de clasificación no supervisada con índices de validación. El sistema permite también la extracción de información inapreciable a simple vista, como puede ser la relación entre metabolismo y ambiente. El tercer trabajo consiste en un estudio funcional. En él se desarrolla una nueva estrategia de minería de datos basada también en técnicas de clasificación no supervisada, esta vez combinada con un test estadístico. La estrategia permite identificar proteínas involucradas en actividades funcionales de alto nivel como el aprendizaje y la memoria y constituye una manera novedosa de tratar datos de expresión de proteínas, que son a la vez el resultado de la regulación de redes metabólicas a nivel de expresión. En definitiva la presente tesis constituye un trabajo de investigación multidisciplinar original e innovador en el que se resuelven tres problemas biológicos concretos mediante técnicas novedosas basadas en aprendizaje automático. El diseño, desarrollo y aplicación de estas técnicas tiene relevancia en el campo de la inteligencia artificial y el aprendizaje automático mientras que los resultados obtenidos mediante ellas tienen relevancia y suponen avances en el campo de la biología molecular.