{"id":30936,"date":"2019-10-31T21:38:20","date_gmt":"2019-10-31T18:38:20","guid":{"rendered":"https:\/\/prohoster.info\/blog\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya\/"},"modified":"2019-10-31T21:38:20","modified_gmt":"2019-10-31T18:38:20","slug":"mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","title":{"rendered":"Aprendizaje autom\u00e1tico sin Python, Anaconda y otras criaturas similares","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

No, por supuesto, no lo digo en serio. Debe haber un l\u00edmite a cu\u00e1nto se puede simplificar un tema. Pero para las primeras etapas, para entender los conceptos b\u00e1sicos y tener una r\u00e1pida \"inmersi\u00f3n\" en el tema, puede que sea aceptable. Y al final, discutiremos c\u00f3mo nombrar adecuadamente este material (opciones: \"Aprendizaje autom\u00e1tico para principiantes\", \"An\u00e1lisis de datos desde cero\", \"Algoritmos para los m\u00e1s peque\u00f1os\"). <\/p>\n

A lo nuestro. He escrito varios programas pr\u00e1cticos en MS Excel para visualizar y representar claramente los procesos que ocurren en distintos m\u00e9todos de aprendizaje autom\u00e1tico durante el an\u00e1lisis de datos. Seeing is believing, como dicen los nativos de la cultura que desarroll\u00f3 la mayor\u00eda de estos m\u00e9todos (por cierto, no todos. El poderoso \"m\u00e9todo de vectores de soporte\", o SVM, support vector machine, es un invento de nuestro compatriota Vladimir Vapnik, del Instituto de Gesti\u00f3n de Mosc\u00fa. \u00a1A\u00f1o 1963, por cierto! Ahora, sin embargo, ense\u00f1a y trabaja en EE. UU.).<\/p>\n

Tres archivos a la vista
\n<\/a><\/noindex><\/p>\n

1. Clustering por el m\u00e9todo de k-medias<\/h2>\n

\nEste tipo de tareas pertenece al \"aprendizaje no supervisado\", donde necesitamos dividir los datos originales en un n\u00famero conocido de categor\u00edas, pero no contamos con un conjunto de \"respuestas correctas\"; debemos extraerlas de los propios datos. La cl\u00e1sica tarea fundamental de encontrar subtipos de flores de iris (Ronald Fisher, \u00a1a\u00f1o 1936!), que se considera el primer hito en esta \u00e1rea del conocimiento, es precisamente de esta naturaleza.<\/p>\n

El m\u00e9todo es bastante simple. Tenemos un conjunto de objetos, representados como vectores (conjuntos de N n\u00fameros). En el caso de los iris, se trata de conjuntos de 4 n\u00fameros que caracterizan la flor: longitud y ancho de los p\u00e9talos externos e internos, respectivamente (Iris de Fisher \u2014 Wikipedia<\/a><\/noindex>). Se elige una m\u00e9trica de distancia, o medida de cercan\u00eda, entre los objetos que es la m\u00e9trica euclidiana habitual.<\/p>\n

Luego, se eligen arbitrariamente (o no arbitrariamente, vean m\u00e1s adelante) los centros de los cl\u00fasteres, y se calcula la distancia de cada objeto a los centros de los cl\u00fasteres. En este paso de la iteraci\u00f3n, cada objeto se etiqueta como perteneciente al centro m\u00e1s cercano. Luego, el centro de cada cl\u00faster se mueve a la media aritm\u00e9tica de las coordenadas de sus miembros (por analog\u00eda con la f\u00edsica, a veces se le llama \"centro de masa\"), y el procedimiento se repite.<\/p>\n

El proceso converge bastante r\u00e1pido. En las im\u00e1genes en dos dimensiones, se ve as\u00ed:<\/p>\n

1. Distribuci\u00f3n aleatoria inicial de puntos en el plano y n\u00famero de cl\u00fasteres<\/p>\n

\"Aprendizaje
\n
\n2. Definici\u00f3n de los centros de los cl\u00fasteres y asignaci\u00f3n de puntos a sus cl\u00fasteres correspondientes<\/p>\n

\"Aprendizaje
\n
\n3. Reubicaci\u00f3n de las coordenadas de los centros de los cl\u00fasteres y recalculo de la pertenencia de los puntos, hasta que los centros se estabilicen. Se observa la trayectoria de movimiento del centro del cl\u00faster hacia su posici\u00f3n final.<\/p>\n

\"Aprendizaje
\n
\nEn cualquier momento se pueden establecer nuevos centros de cl\u00fasteres (sin generar una nueva distribuci\u00f3n de puntos) y ver que el proceso de segmentaci\u00f3n no siempre es un\u00edvoco. Matem\u00e1ticamente, esto significa que en la funci\u00f3n optimizada (la suma de los cuadrados de las distancias de los puntos a los centros de sus cl\u00fasteres) encontramos un m\u00ednimo local, no global. Para superar este problema, se puede elegir no aleatoriamente los centros iniciales de los cl\u00fasteres o probar con diferentes centros (a veces es ventajoso colocar uno justo en alguno de los puntos, ya que de esta forma no hay garant\u00eda de que obtendremos cl\u00fasteres vac\u00edos). En cualquier caso, un conjunto finito siempre tiene un l\u00edmite inferior exacto. <\/p>\n

Puedes experimentar con este archivo a trav\u00e9s de este enlace<\/a><\/noindex> (no olvides habilitar la compatibilidad con macros. Los archivos han sido verificados en busca de virus)<\/p>\n

Descripci\u00f3n del m\u00e9todo en Wikipedia \u2014 M\u00e9todo k-means<\/a><\/noindex><\/p>\n

2. Aproximaci\u00f3n con polinomios y subdivisi\u00f3n de datos. Sobreajuste<\/h2>\n

\nEl notable cient\u00edfico y divulgador de la ciencia de datos K.V. Vorontsov describe brevemente los m\u00e9todos de aprendizaje autom\u00e1tico como \"la ciencia de ajustar curvas a puntos\". En este ejemplo, encontraremos patrones en los datos utilizando el m\u00e9todo de los m\u00ednimos cuadrados. <\/p>\n

Se muestra la t\u00e9cnica de dividir los datos originales en conjuntos de \"entrenamiento\" y \"prueba\", as\u00ed como el fen\u00f3meno de sobreajuste, o \"ajuste excesivo\" a los datos. Con una aproximaci\u00f3n adecuada, tendremos cierto error en los datos de entrenamiento y un error algo mayor en los datos de prueba. Con una aproximaci\u00f3n incorrecta, habr\u00e1 un ajuste preciso a los datos de entrenamiento y un error enorme en los de prueba.<\/p>\n

(Es un hecho conocido que a trav\u00e9s de N puntos se puede trazar una \u00fanica curva de grado N-1, y este m\u00e9todo, en general, no da el resultado deseado. Polinomio de interpolaci\u00f3n de Lagrange en Wikipedia<\/a><\/noindex>)<\/p>\n

1. Establecemos la distribuci\u00f3n inicial<\/p>\n

\"Aprendizaje
\n
\n2. Dividimos los puntos en \"entrenamiento\" y \"prueba\" en una proporci\u00f3n de 70 a 30.<\/p>\n

\"Aprendizaje
\n
\n3. Realizamos una curva de aproximaci\u00f3n a partir de los puntos de entrenamiento y vemos el error que genera en los datos de control.<\/p>\n

\"Aprendizaje
\n
\n4. Ejecutamos una curva exacta a trav\u00e9s de los puntos de entrenamiento y observamos un error monstruoso en los datos de control (y cero en los de entrenamiento, pero \u00bfde qu\u00e9 sirve?).<\/p>\n

\"Aprendizaje
\n
\nSe muestra, por supuesto, la opci\u00f3n m\u00e1s simple con una \u00fanica divisi\u00f3n en subconjuntos de 'entrenamiento' y 'control'; en general, esto se realiza m\u00faltiples veces para un mejor ajuste de los coeficientes.<\/p>\n

El archivo est\u00e1 disponible aqu\u00ed, verificado por antivirus.<\/a><\/noindex> Habilita las macros para un funcionamiento correcto.<\/p>\n

3. Descenso de gradiente y din\u00e1mica de cambio del error.<\/h2>\n

\nAqu\u00ed tendremos un caso de 4 dimensiones y regresi\u00f3n lineal. Los coeficientes de la regresi\u00f3n lineal se determinar\u00e1n por pasos utilizando el m\u00e9todo de descenso de gradiente, inicialmente todos los coeficientes son ceros. En un gr\u00e1fico separado se puede ver la din\u00e1mica de la reducci\u00f3n del error a medida que se ajustan los coeficientes de forma m\u00e1s precisa. Hay la posibilidad de observar las cuatro proyecciones 2D.<\/p>\n

Si se establece un paso de descenso de gradiente demasiado grande, se puede ver que cada vez estaremos saltando el m\u00ednimo y llegaremos al resultado en un mayor n\u00famero de pasos, aunque, al final, de todos modos llegaremos (siempre que no elevemos demasiado el paso de descenso; entonces el algoritmo se saldr\u00e1 de control). Y el gr\u00e1fico de dependencia del error respecto al paso de iteraci\u00f3n ser\u00e1 no suave, sino 'irregular'.<\/p>\n

1. Generamos datos, establecemos el paso de descenso de gradiente.<\/p>\n

\"Aprendizaje
\n
\n2. Con una correcta selecci\u00f3n del paso de descenso de gradiente, llegamos suavemente y lo suficientemente r\u00e1pido al m\u00ednimo.<\/p>\n

\"Aprendizaje
\n
\n3. Con una incorrecta selecci\u00f3n del paso de descenso de gradiente, saltamos el m\u00e1ximo, el gr\u00e1fico del error es 'irregular', la convergencia toma m\u00e1s pasos.<\/p>\n

\"Aprendizaje
\ny<\/p>\n

\"Aprendizaje
\n
\n4. Con una elecci\u00f3n completamente incorrecta del paso de descenso de gradiente, nos alejamos del m\u00ednimo.<\/p>\n

\"Aprendizaje
\n
\n(Para reproducir el proceso con los valores del paso de descenso de gradiente mostrados en las im\u00e1genes, marque la casilla 'datos de referencia').<\/p>\n

El archivo est\u00e1 en este enlace, hay que habilitar las macros, no hay virus.<\/a><\/noindex><\/p>\n

Seg\u00fan lo considera la respetada comunidad, \u00bfes aceptable tal simplificaci\u00f3n y m\u00e9todo de presentaci\u00f3n del material? \u00bfDeber\u00edamos traducir el art\u00edculo al ingl\u00e9s? <\/b>
\n
Fuente: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e. \u0410 \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u043e\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b (\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b: \u00ab\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0434\u043b\u044f \u0447\u0430\u0439\u043d\u0438\u043a\u043e\u0432\u00bb, \u00ab\u0410\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043f\u0435\u043b\u0435\u043d\u043e\u043a\u00bb, \u00ab\u0410\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u0434\u043b\u044f \u0441\u0430\u043c\u044b\u0445 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445\u00bb), \u043e\u0431\u0441\u0443\u0434\u0438\u043c \u0432 \u043a\u043e\u043d\u0446\u0435. \u041a […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":22912,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-30936","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Aprendizaje autom\u00e1tico sin Python, Anaconda y otras molestias | ProHoster","description":"No, por supuesto que no lo digo en serio. Debe haber un l\u00edmite en cuanto a cu\u00e1n simplificado puede estar el tema. Pero para las primeras etapas, para entender los conceptos b\u00e1sicos y para entrar r\u00e1pidamente en la materia, quiz\u00e1s sea aceptable.","canonical_url":"https:\/\/prohoster.info\/es\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0431\u0435\u0437 Python, Anaconda \u0438 \u043f\u0440\u043e\u0447\u0438\u0445 \u043f\u0440\u0435\u0441\u043c\u044b\u043a\u0430\u044e\u0449\u0438\u0445\u0441\u044f | ProHoster","og:description":"\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e.","og:url":"https:\/\/prohoster.info\/es\/blog\/news\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:38:20+00:00","article:modified_time":"2019-10-31T18:38:20+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30936","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 03:45:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:27:05","updated":"2026-01-21 03:45:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/30936","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=30936"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/30936\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media\/22912"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=30936"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=30936"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=30936"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}