- Regresión Lineal: Usada para predecir valores continuos.
- Regresión Logística: Empleada para la clasificación binaria.
- Árboles de Decisión: Modelos basados en estructuras de árbol para clasificación y regresión.
- Máquinas de Vector Soporte (SVM): Eficientes en clasificación, incluso con datos complejos.
- Redes Neuronales Artificiales (ANN): Modelos complejos para tareas de clasificación y regresión, especialmente en deep learning.
Algoritmo | Uso Común |
|---|---|
Regresión Lineal | Predicción de precios, análisis de tendencias |
Regresión Logística | Detección de spam, diagnóstico médico |
Árboles de Decisión | Clasificación de clientes, diagnóstico de fallas |
SVM | Reconocimiento de imágenes, clasificación de texto |
ANN | Procesamiento de lenguaje natural, reconocimiento de voz |
Algoritmo | Uso Común |
|---|---|
Regresión Lineal | Predicción de precios, análisis de tendencias |
Regresión Logística | Detección de spam, diagnóstico médico |
Árboles de Decisión | Clasificación de clientes, diagnóstico de fallas |
SVM | Reconocimiento de imágenes, clasificación de texto |
ANN | Procesamiento de lenguaje natural, reconocimiento de voz |
- Clustering (K-Means, Clustering Jerárquico): Agrupación de datos similares.
- Análisis de Componentes Principales (PCA): Reducción de la dimensionalidad.
- Detección de Anomalías: Identificación de valores atípicos.
- Reglas de Asociación (Apriori): Descubrimiento de relaciones entre elementos.
Algoritmo | Aplicación |
|---|---|
K-Means | Segmentación de clientes, agrupación de documentos |
Clustering Jerárquico | Análisis de datos biológicos, segmentación de mercado |
PCA | Compresión de datos, visualización de datos de alta dimensión |
Detección de Anomalías | Detección de fraudes, mantenimiento predictivo |
Apriori | Análisis de la cesta de la compra, recomendaciones de productos |
Algoritmo | Aplicación |
|---|---|
K-Means | Segmentación de clientes, agrupación de documentos |
Clustering Jerárquico | Análisis de datos biológicos, segmentación de mercado |
PCA | Compresión de datos, visualización de datos de alta dimensión |
Detección de Anomalías | Detección de fraudes, mantenimiento predictivo |
Apriori | Análisis de la cesta de la compra, recomendaciones de productos |
- Q-Learning: Un algoritmo basado en la estimación de la función Q.
- SARSA (State-Action-Reward-State-Action): Un algoritmo on-policy.
- Deep Q-Networks (DQN): Combinación de Q-learning con redes neuronales profundas.
- Monte Carlo Tree Search (MCTS): Utilizado en juegos como el ajedrez y Go.
Algoritmo | Problemas donde se Aplica |
|---|---|
Q-Learning | Control de robots, juegos |
SARSA | Control de robots, navegación |
DQN | Juegos, control de sistemas complejos |
MCTS | Juegos (ajedrez, Go), planificación |
Algoritmo | Problemas donde se Aplica |
|---|---|
Q-Learning | Control de robots, juegos |
SARSA | Control de robots, navegación |
DQN | Juegos, control de sistemas complejos |
MCTS | Juegos (ajedrez, Go), planificación |
- Tipo de problema (clasificación, regresión, clustering).
- Cantidad y calidad de datos.
- Necesidad de interpretabilidad del modelo.
- Rendimiento y velocidad de entrenamiento.
- Complejidad del modelo y facilidad de implementación.
- Disponibilidad de recursos computacionales.