Introducción Al Machine Learning con MATLAB

Descripción

El Machine Learning representa una herramienta importante para la exploración y la extracción de conocimiento. Su principal objetivo es construir modelos que permitan describir posibles patrones estructurales en la información a partir de los datos, con el objetivo de tomar decisiones o hacer predicciones.

En la última década, el número de usuarios de Machine Learning ha crecido de forma espectacular, pero muchos han presentado grandes dificultades a la hora de generar un plan adecuado que les permita pasar de los conceptos fundamentales a la solución de problemas en sus áreas de interés. El objetivo de este libro es brindar una visión particular de los principales métodos de Machine Learning y de su implementación, es decir, proveer de los principales conceptos en los que se basan estos métodos y aplicarlos a problemas típicos del procesamiento de datos.

El libro se fundamenta en MATLAB, el cual es considerado hoy en día como un estándar en la programación científica e industrial. MATLAB contiene, dentro de sus funciones, poderosos métodos numéricos que pueden ser adaptados a aplicaciones particulares. Bajo estas condiciones, el usuario puede estar más concentrado en la estructura de su aplicación que en la programación misma.

Asimismo, el libro es el resultado de un desmantelamiento completo del plan de estudios estándar del Machine Learning en sus componentes más fundamentales, así como de un reensamblaje de esas piezas, cuidadosamente pulidas y organizadas. Contiene descripciones intuitivas y, a su vez, rigurosas de los conceptos imprescindibles para analizar información a partir de datos. Todo esto deviene en una lectura que le permitirá:

– Entender los principales conceptos en los que se basa el Machine Learning.
– Implementar los métodos de Machine Learning.
– Usar los diferentes recursos online que incluyen código fuente y bases de datos.
– Comprender las principales técnicas de programación con MATLAB orientadas a la implementación de aplicaciones de Machine Learning.

Sin importar si tiene poca o mucha experiencia en programación, con este libro obtendrá las habilidades teóricas y prácticas para emplear el Machine Learning en su totalidad. Hágase con su ejemplar y descubra los detalles estructurales de la información de sus propios proyectos para predecir y manipular con precisión su comportamiento futuro.

Índice general

Prólogo ……………………………………………………………………………………………………. ix

CAPÍTULO 1. Fundamentos del Machine Learning ……………………………………….. 1
1.1. Introducción ………………………………………………………………………………………….. 2
1.2. Conceptos sobre datos ……………………………………………………………………………. 2
1.3. Conceptos sobre aprendizaje …………………………………………………………………… 3
1.4. Tipos de problemas ………………………………………………………………………………… 4
1.5. Tipos de datos ……………………………………………………………………………………….. 4
1.6. Tipos de aprendizajes ……………………………………………………………………………… 5
1.7. Etapas de implementación del aprendizaje máquina ………………………………….. 6
1.8. Exploración y preparación de datos ………………………………………………………….. 7
1.9. Visualización de datos …………………………………………………………………………… 15
Referencias ………………………………………………………………………………………………… 20

CAPÍTULO 2. Bases matemáticas ………………………………………………………………….. 21
2.1. Introducción ………………………………………………………………………………………… 22
2.2. Probabilidad ………………………………………………………………………………………… 22
2.2.1. Variables aleatorias discretas ……………………………………………………….. 22
2.2.2. Reglas fundamentales …………………………………………………………………. 23
2.2.2.1. Probabilidad de la unión de dos elementos ……………………….. 23
2.2.2.2. Probabilidad de la intersección de dos elementos ………………. 23
2.2.2.3. Probabilidad condicional …………………………………………………. 24
2.2.3. Algunas distribuciones comunes …………………………………………………… 25
2.2.3.1. Distribución binomial y Bernoulli ……………………………………… 25
2.2.3.2. Distribución multinomial …………………………………………………. 26
2.2.3.3. Distribución de Poisson …………………………………………………… 27
2.2.3.4. Distribución uniforme ……………………………………………………… 27
2.2.3.5. Distribución normal (gaussiana) ……………………………………….. 28
2.3. Estadística ……………………………………………………………………………………………. 29
2.3.1. Medidas de tendencia central ………………………………………………………. 30
2.3.1.1. Media aritmética ……………………………………………………………. 31
2.3.1.2. Mediana ………………………………………………………………………… 31
2.3.1.3. Moda ……………………………………………………………………………. 31
2.3.2. Medidas de variabilidad ………………………………………………………………. 34
2.3.2.1. Varianza ………………………………………………………………………… 35
2.3.2.2. Desviación estándar ……………………………………………………….. 35
2.3.2.3. Rango ……………………………………………………………………………. 36
2.3.3. Herramientas gráficas …………………………………………………………………. 38
2.3.3.1. Gráfica de líneas …………………………………………………………….. 38
2.3.3.2. Gráfica de barras ……………………………………………………………. 39
2.3.3.3. Gráfica de cajas………………………………………………………………. 42
2.3.3.4. Histograma ……………………………………………………………………. 44
2.4. Álgebra lineal ……………………………………………………………………………………….. 46
2.4.1. Vectores y matrices …………………………………………………………………….. 46
2.4.2. Suma, resta y producto escalar de vectores …………………………………… 46
2.4.3. Norma vectorial ………………………………………………………………………….. 47
2.4.3.1. Norma L 1 ……………………………………………………………………….. 47
2.4.3.2. Norma L 2 ……………………………………………………………………….. 48
2.4.4. Matrices…………………………………………………………………………………….. 48
2.4.4.1. Suma, resta y multiplicación de matrices …………………………… 49
2.4.4.2. Multiplicación escalar de una matriz …………………………………. 49
2.4.4.3. Multiplicación de matrices ………………………………………………. 50
2.4.5. Tipo de matrices …………………………………………………………………………. 51
2.4.6. Descomposición de matrices ……………………………………………………….. 53
2.4.6.1. Descomposición LU ………………………………………………………… 53
2.4.6.2. Descomposición de los valores y vectores propios ……………… 54
Referencias ……………………………………………………………………………………………… 55

CAPÍTULO 3. Clasificación …………………………………………………………………………… 57
3.1. Introducción ………………………………………………………………………………………… 58
3.2. Vecinos cercanos (k-NN) ……………………………………………………………………….. 58
3.2.1. Ejemplo de clasificación utilizando k-NN en MATLAB ………………………. 61
3.3. Regresión logística ………………………………………………………………………………… 62
3.3.1. Ejemplo de clasificación utilizando la regresión logística en MATLAB …….. 63
3.4. Naive Bayes …………………………………………………………………………………………. 64
3.4.1. Teorema de Bayes ………………………………………………………………………. 65
3.4.2. Clasificador Naive Bayes ………………………………………………………………. 65
3.4.3. Ejemplo de clasificación Naive Bayes utilizando MATLAB ………………… 67
3.5. Análisis del discriminante de Fisher ………………………………………………………… 68
3.5.1. Ejemplo de clasificación mediante discriminante de Fisher utilizando MATLAB . 71
3.6. Máquina de vector soporte (SVM) ………………………………………………………….. 73
3.6.1. Ejemplo de clasificación con máquina vector soporte utilizando MATLAB .. 78
Referencias ………………………………………………………………………………………………… 79

CAPÍTULO 4. Regresión lineal ………………………………………………………………………. 81
4.1. Introducción ………………………………………………………………………………………… 82
4.2. Regresión lineal simple ………………………………………………………………………….. 83
4.3. Mínimos cuadrados ………………………………………………………………………………. 85
4.4. Gradiente descendente en regresión lineal simple ……………………………………. 90
4.5. Ecuación normal en regresión lineal simple ……………………………………………… 95
4.6. Regresión lineal múltiple ……………………………………………………………………… 101
Referencias ………………………………………………………………………………………………. 110

CAPÍTULO 5. Agrupamiento (clustering) ………………………………………………………. 111
5.1. Introducción ………………………………………………………………………………………. 112
5.2. Algoritmo de K-means …………………………………………………………………………. 112
5.2.1. El uso de K-means en MATLAB ……………………………………………………. 116
5.3. Método de expectación-maximización ………………………………………………….. 118
5.3.1. Modelos de mezclas gaussianas ………………………………………………….. 118
5.3.2. Estimación de máxima probabilidad ……………………………………………. 119
5.3.3. EM en una dimensión ………………………………………………………………… 120
5.3.4. EM en varias dimensiones ………………………………………………………….. 123
5.4. Agrupación jerárquica …………………………………………………………………………. 128
5.4.1. Medidas de similaridad entre los clústeres …………………………………… 130
5.5. El algoritmo de Fuzzy C-means ……………………………………………………………… 134
Referencias ………………………………………………………………………………………………. 137

CAPÍTULO 6. Reducción de dimensionalidad ………………………………………………… 139
6.1. Introducción ………………………………………………………………………………………. 140
6.2. Análisis de componentes principales (PCA) ……………………………………………. 140
6.2.1. Ejemplo en MATLAB de análisis de componentes principales (PCA) ……… 144
6.3. Análisis de componentes independientes (ICA) ………………………………………. 146
6.3.1. Distribuciones gaussianas no permitidas ……………………………………… 147
6.3.2. Estimación de máxima probabilidad ……………………………………………. 148
6.3.3. Ejemplo en MATLAB de análisis de componentes independientes (ICA) .. 149
6.4. Análisis de factor (FA) ………………………………………………………………………….. 151
6.4.1. Ejemplo en MATLAB de análisis de factor (FA) ……………………………… 153
Referencias ………………………………………………………………………………………………. 155

CAPÍTULO 7. Métodos unidos ……………………………………………………………………. 157
7.1. Árboles de decisión …………………………………………………………………………….. 158
7.2. Algoritmo CART ………………………………………………………………………………….. 160
7.3. Árboles de decisión para clasificación ……………………………………………………. 160
7.4. Árboles de decisión para regresión ……………………………………………………….. 163
7.5. Funciones de MATLAB para árboles de decisión ……………………………………… 164
7.6. El método Bootstrap …………………………………………………………………………… 170
Referencias ………………………………………………………………………………………………. 174

CAPÍTULO 8. Reconocimiento de objetos …………………………………………………….. 175
8.1. Comparación en imágenes a escala de grises …………………………………………. 176
8.2. Distancia entre patrones ……………………………………………………………………… 177
8.3. Distancia y correlación ………………………………………………………………………… 181
8.4. La correlación cruzada normalizada ………………………………………………………. 184
8.5. Coeficiente de correlación …………………………………………………………………… 186
8.6. Reconocimiento de patrones usando el coeficiente de correlación …………… 190
8.7. Comparación de imágenes binarias ………………………………………………………. 196
8.7.1. La transformación de distancia …………………………………………………… 196
8.7.2. El algoritmo de Chamfer ……………………………………………………………. 198
8.8. Índice de relación de Chamfer ……………………………………………………………… 202
Referencias ………………………………………………………………………………………………. 206

CAPÍTULO 9. Estadística inferencial …………………………………………………………….. 207
9.1. Introducción ………………………………………………………………………………………. 208
9.2. Distribución de muestreo …………………………………………………………………….. 209
9.2.1. Distribución normal …………………………………………………………………… 210
9.2.2. Distribución t ……………………………………………………………………………. 216
9.3. Estimación de parámetros …………………………………………………………………… 221
9.3.1. Estimación por intervalos …………………………………………………………… 223
9.4. Pruebas de hipótesis …………………………………………………………………………… 227
Referencias ………………………………………………………………………………………………. 231

CAPÍTULO 10. Evaluación del desempeño ……………………………………………………. 233
10.1. Introducción …………………………………………………………………………………….. 233
10.2. Ajustes sobre las predicciones de un clasificador ………………………………….. 234
10.2.1. Tipos de errores ……………………………………………………………………… 236
10.2.2. Matriz de confusión ………………………………………………………………… 236
10.3. Métricas para clasificadores ……………………………………………………………….. 236
10.3.1. Exactitud (ACC) ……………………………………………………………………….. 237
10.3.2. Razón de falsos positivos (FPR) …………………………………………………. 237
10.3.3. Sensibilidad (VPR) ……………………………………………………………………. 237
10.3.4. Especificidad (SPC) ………………………………………………………………….. 237
10.3.5. Precisión ………………………………………………………………………………… 237
10.3.6. F1 ………………………………………………………………………………………….. 238
10.3.7. F2 ………………………………………………………………………………………….. 238
10.4. Curva ROC ………………………………………………………………………………………… 238
10.5. El balance entre el sesgo y la varianza …………………………………………………. 239
10.6. Evaluación de modelos ………………………………………………………………………. 240
10.6.1. Técnicas comunes de validación cruzada ……………………………………. 241
10.7. Métricas de error en regresores lineales ……………………………………………… 243
Referencias ………………………………………………………………………………………………. 245