Rama de la IA que desarrolla algoritmos que permiten a las máquinas aprender de datos.
Sin ser explícitamente programadas para cada tarea. Incluye aprendizaje supervisado, no supervisado y por refuerzo.
# Machine Learning con Python y scikit-learn from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score # 1. Preparar datos X = datos[['edad', 'salario', 'experiencia']] y = datos['compra'] # Variable a predecir # 2. Dividir en entrenamiento y test X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 3. Crear y entrenar modelo modelo = RandomForestClassifier(n_estimators=100) modelo.fit(X_train, y_train) # 4. Predecir predicciones = modelo.predict(X_test) # 5. Evaluar precision = accuracy_score(y_test, predicciones) print(f'Precisión: {precision:.2%}') # Tipos de ML: # - Supervisado: clasificación, regresión # - No supervisado: clustering, reducción dimensionalidad # - Refuerzo: aprender por prueba y error
