Fundamentos matemáticos para machine learning

• Autores: Quiroz-Chavil, Helga Kelly, Capuñay-Uceda, Carlos Enrique, Collantes Santisteban, Luis Jaime, Collantes Santisteban, Samuel, Collantes Santisteban, Carlos Alberto, Collantes Alvarado, Kelly Scarlett
• Formato: objeto de conferencia
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/14366
• Enlace del recurso: https://hdl.handle.net/20.500.12867/14366; https://doi.org/10.18687/LACCEI2024.1.1.1379
• Nivel de acceso: acceso abierto
• Materia: Matemática; Machine learning; Algoritmos; https://purl.org/pe-repo/ocde/ford#1.01.00

Este trabajo ha realizado una revisión exhaustiva de más de 30 algoritmos de machine learning (ML) y deep learning (DL) a través de cuatro categorías principales: aprendizaje supervisado, no supervisado, por refuerzo y deep learning. La discusión se centró en la descripción de cada algoritmo, la aplicación de fundamentos matemáticos en su implementación y su relevancia en diversas aplicaciones prácticas. A través de este análisis, se destacó la importancia crítica de los conceptos matemáticos y estadísticos subyacentes, como la optimización, la teoría de la probabilidad, y la geometría, en el desarrollo de modelos de ML y DL Una conclusión clave del trabajo es la diversidad y la adaptabilidad de los algoritmos de ML y DL en una amplia gama de campos, incluyendo la visión por computadora, el procesamiento del lenguaje natural, la robótica y la medicina. Este análisis subraya la rapidez con la que avanza el campo, marcado por la evolución de modelos complejos que han transformado la capacidad de aprendizaje y adaptación de las máquinas. Sin embargo, el trabajo también reconoce los desafíos y limitaciones existentes en el diseño y la implementación de estos algoritmos, incluyendo el sobre ajuste, la interpretabilidad y el consumo computacional. Estos desafíos subrayan la necesidad de investigación y desarrollo continuos para optimizar y crear nuevas técnicas que superen estas barreras. Mirando hacia el futuro, el trabajo sugiere un enfoque en el desarrollo de modelos aún más generalizables y eficientes, con un aprendizaje más autónomo y menos dependiente de la intervención humana. La investigación en aprendizaje no supervisado y aprendizaje por refuerzo, en particular, promete avances significativos hacia sistemas de inteligencia artificial más completos y adaptativos. Este análisis integral de los algoritmos de ML y DL ilustra el papel fundamental de las matemáticas en el avance de la inteligencia artificial, al tiempo que enfatiza la importancia de la colaboración interdisciplinaria para superar desafíos actuales y desbloquear el potencial completo de estas tecnologías para resolver problemas complejos del mundo real.