Machine Learning

MACHINE LEARNING

1. Conceptualización:

• Campo de estudio que da a las computadoras la capacidad de aprender sin ser programada de forma explícita. Su entrenamiento con bases de datos y ejemplos adecuados, ayuda a la máquina de aprendizaje a ser más precisa y eficiente en su labor.

2. Áreas Integradas:

• Base de Datos
• Ingeniería de Software
• Inteligencia Artificial

3. Objetivos:

• Desarrollar de técnicas y procesos que permitan que una computadora o un algoritmo computacional sea capaz de aprender.

• Ser capaz de generalizar una idea a partir de ejemplos que le son suministrados y así lograr predecir, clasificar y pronosticar el comportamiento de un sistema.

4. Proceso Metodológico:

5. Clasificación según su enfoque:

• Árboles de Decisiones
• Reglas de Asociación
• Algoritmos Genéticos
• Redes Neuronales Artificiales
• Máquinas de Vectores de Soporte
• Algoritmos de Agrupamiento
• Redes Bayesianas

Arboles de decisiones: Son un modelo de predicción el cual a partir de una serie de datos puede categorizar y representar una serie de condiciones sucesivas, para la resolución de un problema en particular. Son herramientas excelentes para ayudar a realizar elecciones adecuadas entre muchas posibilidades. Su estructura permite seleccionar una y otra vez diferentes opciones para explorar las diferentes alternativas posibles de decisión.

Los árboles de decisión generalmente son binarios, es decir que cuentan con dos opciones, aunque esto no significa que no puedan existir árboles de tres o más opciones.

Su representación está dada en forma de árbol como su nombre lo indica seguido varios nodos cuadrados los cuales representan los puntos de decisión, de los cuales se emergen ramas las cuales representan las diferentes posibilidades o alternativas.

Reglas de asociación: Las reglas de asociación son utilizadas para predicción en procesos en los cuales una condición final depende de otras anteriores, es decir qué serie de cosas deben suceder para que una condición X se cumpla a cabalidad.

'La ventaja de los algoritmos de reglas de asociación sobre los algoritmos más estándar de árboles de decisión (C5.0 y Árbol C&R) es que las asociaciones pueden existir entre cualquiera de los atributos. Un algoritmo de árbol de decisión generará reglas con una única conclusión, mientras que los algoritmos de asociación tratan de buscar muchas reglas, cada una de las cuales puede tener una conclusión diferente.' ( IBM Knowledge Center)

Es bastante utilizada en el área de marketing en cuanto a las compras de los consumidores como por ejemplo la persona que compra el producto Y, tiene una alta probabilidad de adquirir de igual manera el producto Z; de esta manera el propietario del establecimiento decide que productos deben estar a una distancia menor del otro, con el fin de aumentar sus ventas.

Es también utilizado en varios procesos industriales en los cuales se pretende predecir qué sucederá a partir de una serie de acciones anteriores.

Redes neuronales artificiales: Este sistema lo que busca es simular el cerebro humano, las redes neuronales cuentan con elementos que asemejan una neurona biológica, los cuales procesan la información y son capaces de aprenden de la experiencia, generalizar de ejemplos previos a ejemplos nuevos y abstraer la información más importante de una base de datos; siendo asid e gran utilidad en múltiples procesos en los cuales se tenga una serie de datos óptimos para la utilización en la red neuronal artificial.

Algunas de sus aplicaciones son:

1. Reconocimiento de textos manuscritos
2. Reconocimiento del habla
3. Simulación de centrales de producción de energía
4. Detección de explosivos
5. Identificación de blancos de radares
6. En sistemas de energía eléctrica (varios campos).

Siendo de nuestro interés las máquinas de soporte vectorial del inglés support vector maquine (SVM) pertenecientes a las máquinas de aprendizaje y contenidas en la inteligencia artificial, específicamente en el área de electricidad.

La energía eléctrica a través del tiempo se ha convertido en una parte muy importante de la vida cotidiana y día tras día aumenta dicha importancia, debido a que la mayoría del tiempo se interactúa directa o indirectamente con ella. Hoy la electricidad está presente tanto en un teléfono móvil como en las más altas tecnologías en el área de medicina; se ha hecho tan necesaria que es difícil el pensar en un solo día sin ella en nuestra vida moderna. Por esta razón, constantemente se utilizan nuevos métodos y tecnologías aplicadas a diferentes ramas de la energía, como mercado eléctrico, calidad de potencia, análisis de pérdidas, entre otras, con el fin de mejorar u optimizar procesos o sistemas específicos. Muchos de estos métodos se basan en algoritmos bioinspirados o de inteligencia, como redes neuronales, algoritmos genéticos, filtros de Kalman y máquinas de soporte vectorial (SVM), entre otros. En el presente artículo se hace una recopilación de diferentes implementaciones de máquinas de soporte vectorial aplicadas a diferentes áreas de la electricidad.

La máquina de soporte vectorial, está basada en algoritmos que aprenden a partir de una serie de datos o muestras estocásticas de algún sistema a clasificar y en otras ocasiones, a predecir su comportamiento en un futuro, ya sea a corto, mediano o largo plazo (Betancour, 2005). Su alto nivel de clasificación traza un plano que divide (frontera de decisión, la cual debe ser lo más amplia posible) y clasifica los diferentes datos que se le han dado al algoritmo; si los datos no pueden ser clasificados de esta manera y en la frontera entre las clasificación quedan datos por clasificar, la SMV está en la capacidad de llevar los datos a un plano en Rⁿ y buscar un hiperplano que divida y clasifique de manera correcta los datos. Este hiperplano crea una frontera lo más amplia posible entre los datos a clasificar (Betancour, 2005) como se ve en la figura 1.

La SVM basa su funcionamiento en un espacio de hipótesis de funciones; el cambio de dimensión es inducido por un kernel que, básicamente, cumple la función de elevar a una mayor dimensión las características dadas (Resendiz, 2006), una de las maneras más comunes en que las SVM aprenden es mapeando las entradas X y pasándolas a un espacio de características, en el cual son mucho más sencillas de clasificar.

Para ampliar la información acerca de los principios matemáticos básicos de las SVM, se recomienda al lector direccionarse a los textos guías en el tema de este artículo como son: Betancour (2005); Resendiz (2006); Yucheng y Yubin (2010); Goddard, Gerardo, Silva y Ángel (2000); Luo, Hall, Goldgof y Remsen (2005); Qu, Oussar, Dreyfus y Xu (2009). Cabe aclarar que el procedimiento anteriormente descrito no es el único utilizado en las SVM; por el contrario, en cada una de las investigaciones el procedimiento y herramientas matemáticas para ello pueden cambiar parcial o totalmente.

De este poder de clasificación, de su facilidad de aprender y, por tanto, predecir acciones o sucesos, es que las SVM están siendo altamente utilizadas en los sistemas eléctricos, algunas aplicaciones serán mencionadas a continuación.