Introducción a Machine Learning
2026-05-11
Bienvenido
En este libro se presentan explicaciones sencillas de algunos modelos de machine learning y la forma de aplicarlos por medio del lenguaje de programación R.
Estructura del libro
El primer capítulo de libro muestra la técnica de machine learning más básica que son los \(k\) vecinos más cercanos. El capítulo 2 presenta tres modificaciones importantes a la función objetivos de los mínimos cuadrados para crear la regresión Rigde, Lasso y Elastic Net. En los capítulos 3 y 4 se presentan los árboles de regresión y de clasificación. En el capítulo 5 se muestra una generalización de los árboles de regresión incluyendo distribuciones de probabilidad para la variable respuesta. Luego en el capítulo 6 se muestra cómo integrar los árboles para formar bosques aleatorios para el problema de regresión y clasificación. En los capítulos 7 y 8 se introducen las máquinas de soporte vectorial para regresión y clasificación. En los capítulos 9 y 11 se presentan los algoritmos AdaBoost y Gradient Boost.
Software y convenciones
Para realizar este libro usamos los paquetes knitr (Xie 2015) y bookdown (Xie 2025) que permiten unir la ventajas de LaTeX y R en un mismo archivo.
En todo el libro se presentarán códigos que el lector puede copiar y pegar en su consola de R para obtener los mismos resultados aquí del libro. Los códigos se destacan en una caja de color similar a la mostrada a continuación.
Los resultados o salidas obtenidos de cualquier código se destacan con dos símbolos de númeral (##) al inicio de cada línea o renglón, esto quiere decir que todo lo que inicie con ## son resultados obtenidos y NO los debe copiar. Abajo se muestran los resultados obtenidos luego de correr el código anterior.
## [1] 10## [1] 5 25 30## [1] 1 2 3 4 5 6 7 8 9 10