MODULO IV FUNDAMENTOS TEORICOS DEL APREDIZAJE SUPERVISADO Y NO SUPERVISADO (CONCEPTUAL)

 

                                                      DIPLOMA DO

                                       EN INTELIGENCIA ARTIFICIAL

                                                               MODULO IV  

               APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

Ortega Irusta Mireya Elena

Este es el enlace code Chat GPT:

https://chat.openai.com/share/32557eb3-0912-4df0-b1fd-16bfd8b694f8

El pensamiento computacional se puede aplicar a través de cuatro componentes principales: descomposición, reconocimiento de patrones, abstracción y algoritmos. Y lo usaremos para abordar tanto el aprendizaje supervisado como el no supervisado en Python.

1. Descomposición:

Descompongamos el problema en partes más pequeñas.

 Aprendizaje Supervisado vs. No Supervisado:

- Supervisado: Se tienen datos etiquetados (entrada y salida) para entrenar un modelo.

- No supervisado: Se usan datos sin etiquetas para encontrar patrones o estructuras.

 2. Reconocimiento de patrones:

Identifiquemos los conceptos teóricos detrás de cada tipo de aprendizaje:

Aprendizaje Supervisado:

- Concepto Teórico: Se basa en datos etiquetados para predecir o clasificar.

- Ejemplos de Algoritmos: Regresión lineal, árboles de decisión, SVM, redes neuronales.

- Entrenamiento y Validación: Se entrena el modelo con datos etiquetados y se valida con un conjunto de prueba. 

 Aprendizaje No Supervisado:

- Concepto Teórico:Busca patrones o estructuras en datos no etiquetados.

- Ejemplos de Algoritmos: K-means, PCA, clustering jerárquico.

- Entrenamiento y Validación: No hay etiquetas, se evalúa mediante métricas de similitud o coherencia.

3. Abstracción:

Simplifiquemos estos conceptos clave:

 Modelos:

- Supervisado: Se crea un modelo que aprende de datos etiquetados para hacer predicciones.

- No supervisado: Se genera un modelo para encontrar patrones o agrupaciones en datos no etiquetados.

 4. Algoritmos:

Vamos a utilizar un ejemplo en Python para cada tipo de aprendizaje:

 

Aprendizaje Supervisado:

Ejecutado este código tenemos los siguientes resultados.

Python

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

# Datos etiquetados (entrada y salida)

X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2)

# Entrenar un modelo de regresión lineal

model = LinearRegression()

model.fit(X_train, y_train)

# Validación del modelo

accuracy = model.score(X_test, y_test)

print(f"Precisión del modelo: {accuracy}")

Interacción con Google colab:

Name                                Traceback (most recent call last)

<ipython-input-1-014c2424b52c> in <cell line: 5>()
      3 
      4 # Datos etiquetados (entrada y salida)
----> 5 X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2)
      6 
      7 # Entrenar un modelo de regresión lineal

Name : name 'features' is not defined

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# Datos no etiquetados
# Supongamos que tenemos 'data' sin etiquetas

# Aplicar KMeans para encontrar grupos
kmeans = KMeans(n_clusters=3)
kmeans.fit(data)

# Visualización de los clusters encontrados
plt.scatter(data[:, 0], data[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='*', s=300, c='red', label='Centroides')
plt.legend()
plt.show()

Interacción con Google colab:

Name                                 Traceback (most recent call last)
<ipython-input-2-762a547e13db> in <cell line: 9>()
      7 # Aplicar KMeans para encontrar grupos
      8 kmeans = KMeans(n_clusters=3)
----> 9 kmeans.fit(data)
     10 
     11 # Visualización de los clusters encontrados

Name : name 'data' is not defined

Conclusión:
-Elección entre Supervisado y No Supervisado: Dependiendo de si se tienen etiquetas o no, y del objetivo (predicción vs. descubrimiento de patrones), se elige el enfoque
de aprendizaje adecuado.
Estos pasos te guían desde la descomposición del problema hasta la implementación de
soluciones utilizando los conceptos teóricos de aprendizaje supervisado y no
supervisado en Python.
Cuadro 
comparativo que destaca las diferencias fundamentales entre el aprendizaje
supervisado y no supervisado:
Aspecto
Aprendizaje Supervisado
Aprendizaje No Supervisado
Datos etiquetados
Utiliza datos etiquetados (entrada y salida) para el entrenamiento
No requiere datos etiquetados para el entrenamiento
Objetivo
Predicción o clasificación de datos
Descubrimiento de patrones, estructuras o agrupaciones
Tipo de problemas
Principalmente regresión y clasificación
Clustering, reducción de dimensionalidad, detección de anomalías
Algoritmos comunes
Regresión lineal, árboles de decisión, SVM, redes neuronales
K-means, PCA, clustering jerárquico, detección de anomalías
Evaluación del modelo
Se evalúa con un conjunto de prueba usando datos etiquetados
Evaluación basada en métricas de similitud o coherencia
Uso de etiquetas
Necesita etiquetas para entrenar y validar el modelo
No depende de etiquetas para entrenamiento o validación
Estos aspectos resaltan las diferencias clave entre el aprendizaje supervisado y no supervisado, centrándose en la presencia o ausencia de etiquetas en los datos, el objetivo del modelo y los métodos de evaluación utilizados
Las diferencias fundamentales entre el aprendizaje supervisado y no supervisado no
siempre se ilustran fácilmente con gráficos, puedo mostrarte ejemplos visuales
que representen algunos de los conceptos clave de cada uno.
Python
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans

# Generar datos sintéticos
X, _ = make_blobs(n_samples=300, centers=4, cluster_std=1.0, random_state=42)

# Aplicar KMeans
kmeans = KMeans(n_clusters=4)
kmeans.fit(X)

# Visualización de clusters encontrados por KMeans
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='*', s=300, c='red', label='Centroides')
plt.title("Clustering usando KMeans")
plt.legend()
plt.show()


Interacción con Google colab:



 Ejemplo de Gráfico (Regresión Lineal)
Aquí, podrías ver puntos dispersos que representan la relación entre una
característica y la variable objetivo, y una línea que representa la predicción
de un modelo de regresión lineal ajustado a estos datos.
import matplotlib.pyplot as plt
from sklearn.datasets import make_regression
from sklearn.linear_model import LinearRegression

# Generar datos de ejemplo para regresión
X, y = make_regression(n_samples=100, n_features=1, noise=10, random_state=42)

# Crear y entrenar un modelo de regresión lineal
model = LinearRegression()
model.fit(X, y)

# Gráfico de dispersión de datos y la línea de regresión
plt.scatter(X, y, color='blue')
plt.plot(X, model.predict(X), color='red', linewidth=2)
plt.xlabel('X')
plt.ylabel('y')
plt.title('Regresión Lineal')
plt.show()


Interacción con Google colab:







Aquí, verás puntos de diferentes colores que representan diferentesgrupos (clusters)encontrados por el algoritmo 
K-Means, con los centroides eñalados como estrellas rojas.
Estos gráficos ilustran visualmente cómo funcionan algunos conceptos enaprendizaje supervisado (regresión lineal) y 
no supervisado (clustering con K-Means).
Conclusiones y reflexiones:  Es de gran importancia poder conocer estas herramientas de  fundamentos
 teóricos del aprendizajesupervisado y no supervisado (conceptual), para poder actualizarnos y mejorarnuestra practica
 docete.
El aprendizaje supervisado se basa en datos etiquetados, donde el modelo aprende de ejemplos con entradas y salidas
conocidas, siendo útil para predecir y clasificar datos. Algoritmos comunes incluyen regresión, 
clasificación y redes neuronales.
El aprendizaje no upervisado trabaja con datos sin etiquetas, buscando patrones y estructuras
internas. Se emplea para agrupar datos similares, reducir la dimensionalidad y descubrir estructurasocultas sin la 
guía de salidas previamente conocidas.