Publicado:
2021-06-26 — Actualizado el 2021-07-27Versiones
- 2021-07-27 (2)
- 2021-06-26 (1)
Número:
Vol. 8 Núm. 1 (2020): Enero-Agosto 2020Sección:
RevisiónTécnicas de aprendizaje automático aplicadas en los sistemas de predicción
Palabras clave:
Machine Learning (ML), Supervised learning, Unsupervised learning, Data-set, Prediction, Statistics, linear function, Polynomial function, Variant bias (en).Palabras clave:
Machine Learning (ML), Aprendizaje supervisado, Aprendizaje no supervisado, Data-set, Predicción, Estadística, función lineal, Función polinómica, Sesgo variante (es).Descargas
Resumen (es)
En este artículo se realiza una revisión conceptual del aprendizaje automatizado su definición modelos y algoritmos que son principalmente usados en sistemas de predicción, recopilando de diferentes autores sus definiciones y perspectivas de la aplicación de algoritmos según los objetivos de investigación. Se seleccionaron los algoritmos de redes neuronales y regresión usados en la predicción de patrones lo más acertados posibles, se da a conocer el hecho de como realmente puede llegar una máquina a aprender y que el centro de su operación es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente, también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el tiempo, sin intervención humana.
Resumen (en)
This article delves inti the field of machine learning as a science for machine learning, they glimpse that differentiating factor in the analysis of the information they pay, in the context of what
should be formulated as a tool for prediction and the use of statistics In different contexts, being able to predict facts based on data obtained categorically and systematically for periods of time, allow; In conjunction with the mathematical and statistical equations to conclude that an uncertain event will occur with a fairly acceptable level of veracity, these machine learning techniques are already categorized and their use has been recognized in the scientific and technological field, achieving with this determine the effectiveness of these techniques in commercial, scientific and social sectors.
Referencias
IX. BIBLIOGRAFIA
. Mitchell, T., 1997. Machine Learning. 1st ed. New York: MacGraw-Hill, p.15.
. Murphy, K., 2012. Machine Learning A Probabilistic Perspective. 3rd ed. New York: The MIT Press, p.1.
. Murphy, K., 2012. Machine Learning. 3rd ed. New York: The MIT Press, p.1. Shalev-Shwartz, S. and Ben-David, S., 2014. Understanding Machine Learning: From Theory to Algorithms. 1st ed. Cambridge: Cambridge University Press, p.19.
. Kelleher, J., Mac Namee, B. and D'Arcy, A., 2015. Fundamentals Of Machine Learning For Predictive Data Analytics. 1st ed. Cambridge (Massachusetts): MIT Press, p.43. Mitchell, T., 1997. Machine Learning. 1st ed. New York: MacGraw-Hill, p.15.
. JPiaget, Seis Estudios de Psicología (Editorial Labor, S.A,p117, España, 1991)
. R Jiménez, Funciones matemáticas 4 (Pearson Prentice Hall, México,p5, 2006, 168)
. Gráficos de mapa de bits [Online]. Available: http://cv.uoc.edu/annotation/02dada81f121a9c9bf2f770a98d79c82/573715/PID_00236882/modul_4.html
. P. Flach, Machine Learning The Art and Science of Algorithmsthat Make Sense of Data, 1st ed. New York: Cambridge University Press, 2012, pp. 20-32
. JJ Beunza, E Puertas, E Condés, Manual práctico de inteligencia artificial en Entornos Sanitarios (Elsevier, p35, Madrid España, 2019)
. Walpole, Ronald E, Probabilidad y estadística para ingenieros, 6ª. ed. (PRENTICE-HALL-HISPANOAMERICANA, S.A., p69 México, 1999)
. M. Talabis, R. McPherson, I. Miyamoto and J. Martin, Information Security Analytics, 1st ed. Syngress, 2014, p. 35.
. H. Daumé III, A Course inMachine Learning, 2nd ed. self -published, 2013, p. 178.
. G. James, D. Witten, T. Hastie and R. Tibshirani, An introduction to statistical learning, 1st ed. New York: Springer, p. 28.
. I. Witten, E. Frank and M. Hall, Data MiningPractical Machine Learning Tools and Techniques, 3rd ed. San Diego: Morgan Kaufmann, 2011, p. 294.
. A. B. Nassif, I. Shahin, I. Attili, M. Azzeh and K. Shaalan, "Speech Recognition Using Deep Neural Networks: A Systematic Review," in IEEE Access, vol. 7, pp. 19143-19165, 2019, doi: 10.1109/ACCESS.2019.2896880.
. A. B. Nassif, I. Shahin, I. Attili, M. Azzeh and K. Shaalan, "Speech Recognition Using Deep Neural Networks: A Systematic Review," in IEEE Access, vol. 7, pp. 19143-19165, 2019, doi: 10.1109/ACCESS.2019.2896880.
. aplicación de redes neuronales en la clasificación de arcillas, 17th ed. Medellin: Revista EIA, 2012, p. 185 [Online]. Available: http://www.scielo.org.co/pdf/eia/n17/n17a14.pdf. [Accessed: 08- Nov- 2020]
. Www2.ulpgc.es, 2020. [Online]. Available: https://www2.ulpgc.es/hege/almacen/download/38/38584/practica_ia_2.pdf. [Accessed: 14- Nov- 2020]
. M.C. Acosta-Cervantes, M.G. Villarreal-Marroquín, M. Cabrera-Ríos,
“Estudio de validación de un método para seleccionar técnicas de pronóstico de series de tiempo mediante redes neuronales artificiales”,Ingeniería, Investigación y Tecnología,Volume 14, Issue 1,2013,
Pages 53-63,ISSN 1405-7743,https://doi.org/10.1016/S1405-7743(13)72225-X.
. Carrasquilla-Batista, A; Chacón-Rodríguez, A; NúñezMontero, K, “Regresión lineal simple y múltiple: aplicación en la predicción de variables naturales relacionadas con el crecimiento microalgal” . Tecnología en Marcha. Encuentro de Investigación y Extensión 2016. Pág 33-45
. "Introducción a Machine Learning: Algunos conceptos básicos – Llipe.com", Llipe.com, 2020. [Online]. Available: https://www.llipe.com/2017/03/13/introduccion-a-machine-learning/. [Accessed: 16- Nov- 2020]
. J. Ruiz, "Comparativa y análisis de algoritmos de aprendizaje automático para la predicción del tipo predominante de cubierta arbórea", máster en ingeniería en informática, Universidad Complutense de Madrid, 2018.
. Searchengineland.com, 2020. [Online]. Available: https://searchengineland.com/figz/wp-content/seloads/2016/07/class-regress.png. [Accessed: 19- Nov- 2020].
. V. Vapnik, The Nature of Statistical Learning Theory. Information Science and Statistics (Springer, New York, 1999)
. U. von Luxburg, B. Schölkopf, Statistical Learning Theory: Models, Concepts, and Results, vol. 10 (Elsevier North Holland, Amsterdam, 2011), pp. 651–706
. D. Forsyth, Probability and Statistics for
Computer Science (Springer, New York, 2018)
. Z. Hu, Y. Jin, Q. Hu, S. Sen, T. Zhou y MT Osman, "Predicción del consumo de combustible para barcos en ruta basada en aprendizaje automático", en IEEE Access , vol. 7, págs.119497-119505, 2019, doi: 10.1109 / ACCESS.2019.2933630.
. L. Yang y Z. Zhou, "Sistema experto basado en reglas de creencias para problemas de clasificación con la activación de nuevas reglas y procedimientos de cálculo de peso", Inf. Sci. , vol. 336, págs. 75-91, abril de 2016.
. S. Ameer et al., "Comparative Analysis of Machine Learning Techniques for Predicting Air Quality in Smart Cities," in IEEE Access, vol. 7, pp. 128325-128338, 2019, doi:
1109/ACCESS.2019.2925082.
. D. Zhang y SS Woo, "Monitoreo y predicción de la calidad del aire localizada en tiempo real a través de una red de detección de IoT fija y móvil", en IEEE Access , vol. 8, págs. 89584-89594, 2020, doi: 10.1109 / ACCESS.2020.2993547.
. L. Zhang, D. Li y Q. Guo, "Aprendizaje profundo de datos espacio-temporales utilizando CNN residual de regularización ortogonal para la predicción aérea", en IEEE Access , vol. 8, págs.66037-66047, 2020, doi: 10.1109 / ACCESS.2020.2985657.
. L. Zhang, D. Li y Q. Guo, "Aprendizaje profundo de datos espacio-temporales utilizando CNN residual de regularización ortogonal para la predicción aérea", en IEEE Access , vol. 8, págs.66037-66047, 2020, doi: 10.1109 / ACCESS.2020.2985657.
. D. Zhang and S. S. Woo, "Real Time Localized Air Quality Monitoring and Prediction Through Mobile and Fixed IoT Sensing
Network," in IEEE Access, vol. 8, pp. 89584-
, 2020, doi:
1109/ACCESS.2020.2993547.
C. Zhang, H. Zhang y D. Liu, "Un estudio contrastante del aprendizaje automático sobre la predicción del valor de la empresa energética", en IEEE Access , vol. 8, págs.11635-11643, 2020, doi: 10.1109 / ACCESS.2019.2953807.
. J. Zhang, Z. Li, Z. Pu and C. Xu, "Comparing Prediction Performance for Crash Injury Severity Among Various Machine Learning and Statistical Methods," in IEEE Access, vol. 6, pp. 60079-60087, 2018, doi:
1109/ACCESS.2018.2874979.
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Visitas
Descargas
Licencia
Derechos de autor 2021 Tecnología Investigación y Academia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Reconocimiento – NoComercial – CompartirIgual (by-nc-sa): No se permite el uso comercial de la obra original, las obras derivadas deben circular con las mismas condiciones de esta licencia realizando la correcta atribución al autor.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional
