Introduction to Machine Learning

Study Notes

Machine Learning

Subset of Artificial Intelligence (AI)
Involves training algorithms to learn from data and make predictions or decisions
Types:
- Supervised Learning: labeled data, algorithm learns to map inputs to outputs
- Unsupervised Learning: unlabeled data, algorithm discovers patterns or structure
- Reinforcement Learning: algorithm learns through trial and error, receiving rewards or penalties

Neural Networks

Inspired by the structure and function of the human brain
Composed of interconnected nodes (neurons) that process and transmit information
Artificial Neural Networks (ANNs): designed to recognize patterns in data
Types:
- Feedforward Networks: data flows only in one direction, from input to output
- Recurrent Neural Networks (RNNs): data flows in a loop, allowing the network to keep state

Computer Vision

Enables computers to interpret and understand visual information from the world
Applications:
- Image Recognition: identifying objects, people, or scenes in images
- Object Detection: locating objects within images
- Image Segmentation: dividing images into regions of interest
Techniques:
- Convolutional Neural Networks (CNNs): using neural networks to process image data
- Edge Detection: identifying boundaries between objects in images

Deep Learning

Subset of Machine Learning that uses Neural Networks with multiple layers
Advantages:
- Improved Accuracy: deep networks can learn complex patterns in data
- Ability to Learn Hierarchical Representations: networks can learn to recognize features at multiple scales
Types:
- Convolutional Neural Networks (CNNs): used for image and video analysis
- Recurrent Neural Networks (RNNs): used for sequential data, such as speech or text

Natural Language Processing (NLP)

Enables computers to understand, interpret, and generate human language
Applications:
- Sentiment Analysis: determining the emotional tone of text
- Language Translation: translating text from one language to another
- Text Summarization: summarizing large documents or articles
Techniques:
- Tokenization: breaking down text into individual words or tokens
- Part-of-Speech Tagging: identifying the grammatical category of each word (e.g. noun, verb, adjective)

Aprendizaje Automático

Subconjunto de la Inteligencia Artificial (IA) que implica entrenar algoritmos para aprender de datos y hacer predicciones o decisiones
Tipos:
- Aprendizaje Supervisado: datos etiquetados, algoritmo aprende a mapa entradas a salidas
- Aprendizaje No Supervisado: datos no etiquetados, algoritmo descubre patrones o estructura
- Aprendizaje por Refuerzo: algoritmo aprende mediante prueba y error, recibiendo recompensas o penalizaciones

Redes Neuronales

Inspiradas en la estructura y función del cerebro humano
Compuestas por nodos interconectados (neuronas) que procesan y transmiten información
Redes Neuronales Artificiales (RNAS): diseñadas para reconocer patrones en datos
Tipos:
- Redes de Flujo Directo: datos fluyen solo en una dirección, desde entrada a salida
- Redes Neuronales Recurrentes (RNRs): datos fluyen en un bucle, permitiendo a la red mantener estado

Visión por Computadora

Permite a los computadores interpretar y comprender información visual del mundo
Aplicaciones:
- Reconocimiento de Imágenes: identificando objetos, personas o escenas en imágenes
- Detección de Objetos: localizando objetos dentro de imágenes
- Segmentación de Imágenes: dividiendo imágenes en regiones de interés
Técnicas:
- Redes Neuronales Convolucionales (CNNs): utilizando redes neuronales para procesar datos de imágenes
- Detección de Bordes: identificando límites entre objetos en imágenes

Aprendizaje Profundo

Subconjunto del Aprendizaje Automático que utiliza Redes Neuronales con múltiples capas
Ventajas:
- Precisión Mejorada: redes profundas pueden aprender patrones complejos en datos
- Capacidad de Aprender Representaciones Jerárquicas: redes pueden aprender a reconocer características a múltiples escalas
Tipos:
- Redes Neuronales Convolucionales (CNNs): utilizadas para análisis de imágenes y videos
- Redes Neuronales Recurrentes (RNRs): utilizadas para datos secuenciales, como speech o texto

Procesamiento de Lenguaje Natural (PNL)

Permite a los computadores comprender, interpretar y generar lenguaje humano
Aplicaciones:
- Análisis de Sentimiento: determinar el tono emocional de un texto
- Traducción de Lenguaje: traduciendo texto de un idioma a otro
- Resumen de Texto: resumiendo documentos o artículos largos
Técnicas:
- Tokenización: dividiendo texto en palabras individuales o tokens
- Etiquetado de Partes del Discurso: identificando la categoría gramatical de cada palabra (por ejemplo, nombre, verbo, adjetivo)

Description

Aprendizaje automático, un subconjunto de la inteligencia artificial, que implica entrenar algoritmos para aprender de datos y tomar decisiones. Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo.