A simple set of slides to illustrate in a very explained way the context of AI in our modern times (2018).

1. Inteligencia Artificial
en Tiempos Modernos
Rodolfo Ferro.

2. ¡Qué onda!
Soy Rodo Ferro. 🇲🇽
Computer-
mathemagician ƒ[💻].
Encuéntrame:
@FerroRodolfo
@rodo_ferro
2

3. What do I do?
3
Human-Centered
Computing Lab

4. Outline:
◎Contexto: Conocer el estado
actual de la IA en el mundo
◎Machine Learning: Entender
cómo funcionan los modelos
cómputo-matemáticos de IA
◎Redes Neuronales: Modelos
basados en la naturaleza
◎Aplicación: Aterrizar ideas a
ejemplos tangibles
4

5. 1.
Contexto
Aplicaciones de IA más cerca de lo
que creemos…
5

6. RI4.0
6
Fuente: Industry 4.0 and Industrial IoT in Manufacturing: A
Sneak Peek, Aberdeen Essentials.

7. 7

8. ¿Qué sucede en el mundo?
8

9. 9

10. 10

11. ¿IA, AM, AP?
11
AIMLD
L

12. 2.
Machine Learning
¿Cómo funciona el aprendizaje?
12

13. Tipos de aprendizaje:
reinforcement
learning
unsupervised
learning
supervised
learning
13

14. Distintos modelos:
Probabilidad, estadística y álgebra lineal con esteroides
14

15. 3.
Redes Neuronales
Aprendizaje inspirado en el
funcionamiento cerebral.
15

16. “
Es un modelo basado en la
naturaleza humana, donde se
pretende simular el
funcionamiento de las neuronas.
16

17. De lo real a lo simulado…
17
Fuente: Wikipedia
Fuente: The Nature of Code.
Daniel Shiffman.

18. Capas como las cebollas:
18
Fuente: “Going Deeper with Convolutions”,
Szegedy et al., 2014.

19. ¿Sólo una neurona?
19

20. Operaciones mágicas:
20
Fuente: Wikipedia

21. Operaciones mágicas:
21
Fuente: “Convolution sliding
window”, NVIDIA Blog.
Fuente: “2D Convolutional
Animation”, Martin Görner.

22. Operaciones mágicas:
22
Fuente: “Kernel (image processing)”, Wikipedia.

23. Operaciones mágicas:
23
Fuente: “What is representation
learning in deep learning?”, Quora.
“Representation Learning”.
Representación = Feature
Input - Una imagen
Representación - No hay esquinas
Modelo - Crea una representación y aplica
la regla para detectar la forma.
Fuente: “Keras Visualization
Toolkit”, Raghavendra Kotikalapudi.

24. Operaciones mágicas:
24
Fuente: “Simple Image Classification using Convolutional Neural
Network—Deep Learning in python.”, Venkatesh Tata.

25. 4.
Aplicación
Ejemplos tangibles y aterrizado de
ideas a aplicaciones sencillas
(o complejas).
25

26. Capas como las cebollas:
26
Fuente: “Going Deeper with Convolutions”,
Szegedy et al., 2014.

27. Capas como las cebollas:
27
Fuente: “Pelee: A Real-Time Object Detection System
on Mobile Devices”, Robert J. Wang et al., 2018.

28. Aplicación en emociones:
28

29. Operaciones mágicas:
29
Fuente: “Simple Image Classification using Convolutional Neural
Network—Deep Learning in python.”, Venkatesh Tata.

30. 30

31. 5.
Ética
“Un gran poder conlleva una gran
responsabilidad.”
31

32. 32

33. ¡Gracias!
¿Preguntas?
Encuéntrame:
@FerroRodolfo
@rodo_ferro
https://rodolfoferro.xyz
33