[MÚSICA] Bienvenidos a un nuevo video de nuestro curso de minería de datos. En este video, hablaremos sobre la clasificación automática. Los principales objetivos de este video son entender para qué sirve la clasificación automática y cuál es el tipo de aprendizaje relacionado. Las técnicas de clasificación automática buscan encontrar un modelo capaz de identificar automáticamente la clase a la cual pertenece un objeto dado. Por ejemplo, diseñar un sistema capaz de diferenciar entre un huemul o un reno a partir de una imagen. Otro ejemplo es un sistema capaz de identificar el dígito que aparece en una foto. Estos sistemas se pueden usar en la identificación automática de montos de dinero en documentos bancarios. También un problema de clasificación automática sería decidir si un paciente tiene diabetes o no a partir de los resultados de sus exámenes médicos. Un ejemplo fascinante de clasificación es también el decidir si en la imagen de una estrella aparece un planeta o no, algo muy utilizado en la actualidad para detectar planetas potencialmente habitables por humanos. También en la industria se usan sistemas de clasificación automática para evaluar la calidad de un producto. Por ejemplo, un sistema capaz de clasificar una fruta como en buen o mal estado de tal forma de eliminar las frutas malas antes de usarlas para la producción de pulpas congeladas. El esquema general para resolver un problema de clasificación automática debe disponer principalmente de dos cosas. Un conjunto de entrenamiento, es decir, un conjunto con datos previamente clasificados y un modelo de clasificación. Una vez que tenemos nuestros datos de entrenamiento y el modelo de clasificación, se procede a la etapa de ajuste o entrenamiento del clasificador de tal forma de terminar en un modelo you entrenado listo para ser utilizado en la práctica. Cuando un modelo se ajusta a partir de un set de datos de entrenamiento, decimos que estamos frente a un proceso de aprendizaje supervisado. Aquí tenemos también un ejemplo de aprendizaje supervisado. Supongamos que nos interesa un modelo de clasificación capaz de discernir entre perros y gatos a partir de sus imágenes. Lo primero entonces es que debemos disponer de un conjunto de entrenamiento. Es decir, de varias imágenes identificadas de perros y gatos. Además del conjunto de entrenamiento, necesitamos un algoritmo de entrenamiento. Es decir, un proceso generalmente iterativo que va analizando los datos del conjunto de entrenamiento hasta aprender cómo separar entre las distintas clases y luego poder clasificar datos en el futuro. Una vez que termina el proceso de entrenamiento, nuestro modelo entrenado you es capaz de clasificar datos nuevos. Por ejemplo, si llega la imagen del perro en la figura, nuestro modelo entrenado será capaz de clasificarlo como un perro. En este video aprendimos los conceptos de clasificación automática y aprendizaje supervisado. Vimos que es necesario disponer de un conjunto de entrenamiento, es decir, un set de datos con casos previamente etiquetados y un algoritmo capaz de iterar sobre esos datos y generar un modelo entrenado. Me imagino que tienen dudas respecto a cómo son el realidad los algoritmos de entrenamiento y los modelos de clasificación. No se preocupen, you que ahora estamos en condiciones de empezar a revisar algunas de estas técnicas en los próximos videos. [AUDIO_EN_BLANCO]
