Algoritmos por tipos de aprendizaje automático

Cada tipo de aprendizaje automático se beneficia de algoritmos específicos que se adaptan a las características y desafíos particulares, de esa categoría. A continuación, se mencionan algunos algoritmos comunes en cada tipo de aprendizaje automático:

Aprendizaje Supervisado:

Regresión lineal: utilizado para problemas de regresión, donde se predice un valor numérico continuo.

Regresión logística: empleado en problemas de clasificación binaria para estimar la probabilidad de que un elemento pertenezca a una categoría.

K-Vecinos más Cercanos (K-NN): se basa en la similitud de características para clasificar objetos basados en la mayoría de los “vecinos” más cercanos en un conjunto de datos etiquetado.

Máquinas de Soporte Vectorial (SVM): útiles para problemas de clasificación y regresión, donde buscan encontrar un hiperplano que separe las clases de manera óptima.

Árboles de Decisión: se utilizan para problemas de clasificación y regresión al dividir los datos en ramas basadas en características.

Aprendizaje No Supervisado:

K-Means: agrupa datos en clústeres basados en la similitud de características.

Análisis de Componentes Principales (PCA): utilizado para reducir la dimensionalidad de los datos conservando la mayor cantidad de información posible.

Algoritmo de Asociación Apriori: descubre relaciones entre elementos en un conjunto de datos, como patrones de compra en el comercio minorista.

T-distributed Stochastic Neighbor Embedding (t-SNE): se utiliza para visualizar datos multidimensionales en un espacio de menor dimensión.

Aprendizaje Profundo No Supervisado: algoritmos como las redes neuronales generativas (GANs) se utilizan para la generación de datos y la extracción de características.

Aprendizaje por Refuerzo:

Q-Learning: un algoritmo de aprendizaje por refuerzo que busca aprender una política óptima en un entorno.

Algoritmo Genético: a menudo se utiliza en problemas de optimización donde se buscan soluciones óptimas a través de la evolución de poblaciones.

Actor-Crítico (A3C): combina elementos de políticas (actor) y valor (crítico) para aprender políticas de acción en entornos complejos.

Deep Deterministic Policy Gradient (DDPG): útil en entornos continuos, combina elementos de redes neuronales profundas con métodos de aprendizaje por refuerzo.

Aprendizaje Semi-supervisado:

Label Propagation: propaga etiquetas desde datos etiquetados a datos no etiquetados en un grafo de similitud.

Co-entrenamiento: utiliza varios clasificadores para mejorar el rendimiento en datos no etiquetados.

Aprendizaje Activo: algoritmos como Uncertainty Sampling seleccionan los ejemplos más informativos para etiquetar.

Aprendizaje de Máquinas Explicables (XAI):

LIME (Local Interpretable Model-agnostic Explanations): proporciona explicaciones de modelos de aprendizaje automático de manera local.

SHAP (SHapley Additive exPlanations): utilizado para comprender cómo contribuyen las características individuales a las predicciones del modelo.

Interpretabilidad de Modelos Lineales y Árboles de Decisión: modelos más simples como regresiones lineales y árboles de decisión son intrínsecamente más interpretables.