FICHAS BIBLIOGRÁFICAS: "MACHINE LEARNING"
Buscador: Dialnet
Tema: Aprendizaje Automático - Machine Learning
Texto 1:
“El Aprendizaje
Automático, aka Machine
learning, es la rama de la Inteligencia
Artificial que se dedica al estudio de los agentes/programas que aprenden o
evolucionan basados en su experiencia, para realizar una tarea determinada cada
vez mejor. El objetivo principal de todo proceso de aprendizaje es utilizar la
evidencia conocida para poder crear una hipótesis y poder dar una respuesta a
nuevas situaciones no conocidas.” (Mitchell,
1997)
Datos de la
fuente:
Título: Machine Learning
Autor:
Mitchell, Tom
Año de publicación: 1997
Editorial: Mc Graw Hill
Buscador: Dialnet
Tema: Ámbitos de aplicación del Machine Learning
Texto 2:
“El campo de aplicación práctica depende de la
imaginación y de los datos que estén disponibles en la empresa. Estos son algunos
ejemplos más:
- Detectar
fraude en transacciones.
- Predecir
de fallos en equipos tecnológicos.
- Prever
qué empleados serán más rentables el año que viene (el sector de los
Recursos Humanos está apostando seriamente por el Machine Learning).
- Seleccionar
clientes potenciales basándose en comportamientos en las redes sociales,
interacciones en la web…
- Predecir
el tráfico urbano.
- Saber
cuál es el mejor momento para publicar tuits, actualizaciones de Facebook
o enviar las newsletter.
- Hacer
prediagnósticos médicos basados en síntomas del paciente.
- Cambiar
el comportamiento de una app móvil para adaptarse a las costumbres y
necesidades de cada usuario.
- Detectar
intrusiones en una red de comunicaciones de datos.
- Decidir
cuál es la mejor hora para llamar a un cliente.”
Datos de la
fuente:
Título: ¿Qué es Machine Learning?
Autor: González,
Andrés
Fecha de publicación: 01 julio, 2014
Buscador: Google Académico
Tema: Problems / Problemas
Texto 3:
“Binary Classification is probably the most
frequently studied problem in machine learning and it has led to a large number
of important algorithmic and theoretic developments over the past century. In
its simplest form it reduces to the question: given a pattern x drawn from a
domain X, estimate which value an associated binary random variable y ∈ {±1} will assume. For instance, given pictures
of apples and oranges, we might want to state whether the object in question is
an apple or an orange. Equally well, we might want to predict whether a home
owner might default on his loan, given income data, his credit history, or
whether a given e-mail is spam or ham. The ability to solve this basic problem
already allows us to address a large variety of practical settings” (Smola & Vishwanathan, 2008)
“La clasificación binaria es probablemente el problema
más frecuentemente estudiado, en el Learning Machine y ha llevado a un gran
número de algoritmos importantes y desarrollos teóricos durante el siglo
pasado.
En su forma más
simple,
reduce a la
pregunta: dado un patrón x extraído de un dominio X, estimado
Cuyo valor asumirá una variable aleatoria binaria
asociada y ∈ {± 1}.
Por ejemplo, dado los cuadros de las manzanas y de las
naranjas, podríamos desear, si el objeto en cuestión es una manzana o una
naranja. Igualmente, bien, nosotros podríamos querer predecir si un dueño de
casa podría fallar en su préstamo, datos de ingresos, su historial de crédito,
o si un correo electrónico dado es spam. La capacidad de resolver este problema
básico ya nos permite abordar una gran variedad de configuraciones prácticas” (Smola & Vishwanathan, 2008)
Datos de la
fuente:
Título: Introduction to Machine Learning
Autor: Smola,
Alex & Vishwanathan, S.V.N
Año de publicación: 2008
Editorial: Cambridge University
Buscador: Cybertesis
Tema: Introducción
al Aprendizaje de Máquina I
Texto 4:
“Find a bug in a program, and fix it, and
the program will work today. Show the program how to find and fix a bug, and
the program will work forever.” Oliver G. Selfridge
“Se
dice que un programa aprende de una experiencia E con respecto a una clase de
tareas T y medida de desempeño P, si su desempeño en las tareas en T, de
acuerdo con la medida P, mejora con la experiencia E.” (González F. ,
2007)
Datos de la
fuente:
Título: Introducción al Aprendizaje de Máquina
I
Autor: González,
Fabio
Fecha de publicación: 08 febrero, 2007
Buscador: Dialnet
Tema: Minería de datos (data mining)
Texto 5:
“No es raro ver cómo se usan indiferentemente los
conceptos minería de datos y machine learning. Son conceptos primos hermanos.
Desde nuestro punto de vista, la principal diferencia radica en el objetivo que
tiene cada una de las disciplinas. Mientras que la minería de datos descubre
patrones anteriormente desconocidos, el machine learning se usa para reproducir
patrones conocidos y hacer predicciones basadas en los patrones.
En pocas palabras se podría decir que la minería
de datos tiene una función exploratoria mientras que el machine learning se
focaliza la predicción.” (González A. , Clever Data, 2014)
Datos de la fuente:
Título: Conceptos básicos de Machine Learning
Autor: González,
Andrés
Fecha de publicación: 30 julio, 2014
Bibliografía
González, A. (30 de 07 de 2014). Clever
Data. Obtenido de
http://cleverdata.io/conceptos-basicos-machine-learning/
González,
A. (01 de 07 de 2014). CleverData. Obtenido de
http://cleverdata.io/que-es-machine-learning-big-data/
González,
F. (08 de 02 de 2007). Universidad Nacional de Colombia. Obtenido de
http://dis.unal.edu.co/~fgonza/courses/2007-I/ml/ml-01-introduction.pdf
Mitchell,
T. (1997). Machine Learning. En Machine Learning (pág. Capítulo 1).
McGraw Hill.
Smola,
A., & Vishwanathan, S. (2008). Problems. En Introduction to Machine
Learning (págs. 9-10). Cambridge: Cambridge University.
