Aprendizaje Automático Clásico

Bienvenido a la Lección 6 de Conceptos de Inteligencia Artificial (COMP5511). Esta sesión sirve como puente entre los fundamentos teóricos y las implementaciones prácticas y algorítmicas. Si bien la IA moderna a menudo enfatiza el Deep Learning, Aprendizaje Automático Clásico sigue siendo la base del análisis de datos. Estos algoritmos ofrecen una alta interpretabilidad y eficiencia computacional, lo que los convierte en la opción preferida para datos estructurados y análisis de nivel industrial.

1. Aprendizaje Supervisado

Este paradigma implica entrenar un modelo con un conjunto de datos etiquetado, donde el algoritmo aprende la relación entre las características de entrada y una salida objetivo específica. Esto permite que el modelo prediga resultados de manera precisa con datos nuevos y desconocidos.

Árboles de Decisión: Modelos que dividen los datos en ramas para llegar a una decisión de clasificación o numérica.
Máquinas de Vectores de Soporte (SVMs): Algoritmos que encuentran el hiperplano óptimo para maximizar el margen entre las diferentes clases de datos.

2. Aprendizaje No Supervisado

Estos algoritmos analizan datos no etiquetados para descubrir patrones, estructuras o agrupaciones ocultas sin ninguna guía previa sobre cuál debería ser el resultado. Las técnicas clave incluyen:

Agrupamiento K-means: Agrupa los puntos de datos en K-grupos distintos según las similitudes de sus características.
Análisis de Componentes Principales (PCA): Una reducción de dimensionalidad técnica utilizada para simplificar datos complejos conservando su varianza esencial.

Interpretabilidad vs. Complejidad

Una ventaja significativa del aprendizaje automático clásico es su transparencia. A diferencia de los modelos de deep learning de "caja negra", algoritmos como los Árboles de Decisión permiten a los humanos rastrear la lógica exacta detrás de una predicción, algo vital en campos de alto riesgo como la medicina o las finanzas.

Flujo de trabajo de implementación con Scikit-learn