Descargar para leer sin conexión
Subido porJose Luis Bugarin Peche
ILUMINATIC TECNOLOGIA | Inteligencia Artificial con Java
El documento presenta una introducción a la inteligencia artificial utilizando Java, enfocándose en la aplicación de machine learning para resolver problemas como la detección de fraude y sistemas de recomendación. Se mencionan flujos de trabajo, etapas en el proceso de machine learning y algoritmos específicos junto con librerías útiles para la implementación. Además, el autor, José Luis Bugarin, destaca la importancia de tener datos limpios y un sólido entendimiento de matemáticas y estadísticas para el desarrollo efectivo de soluciones en inteligencia artificial.
ILUMINATIC TECNOLOGIA | Inteligencia Artificial con Java
- 1.
- 2. Agenda RESOLVIENDO PROBLEMAS CON MACHINE LEARNING FLUJODE TRABAJO DEL MACHINE LEARNING LIBRERÍAS JAVA PARA INTELIGENCIA ARTIFICIAL /MACHINE LEARNING ALGORITMOS BÁSICOS DEMOS
- 3. ¿Quién Soy? • JoseLuis Bugarin - @jlbugarin • Arquitecto de Integración APIs & Servicios • Profesor y Coordinador de Inteligencia Artificial • Fundador de ILUMINATIC.com | CONSULTORJAVA.com • Otros Roles arquitecto- empresarial/arquitecto-negocios/arquitecto- software/supervisor-desarrollo-integracion
- 4. Resolver Problemas |Aprendizaje Automático Supervisado Datos etiquetados que convertimos en funciones Detección de fraude de tarjetas de crédito No supervisado Ideal para descubrir patrones ocultos en los datos Sistemas de recomendaciones Por Refuerzo Acciones especificas para pasar de estados Si el agente logra el estado, recibe una recompensa. Conducir un vehículo
- 5. Flujo de TrabajoMachine Learning Datos y Definición de problema Colección de datos Pre procesamiento de datos Análisis de datos y modelamiento supervisado y no supervisado Evaluación Fuente: machine learning in java de Bostjan Kaluza ¿Cuál es el problema que quieres resolver? ¿Por qué es importante? ¿Qué datos te ayudan a resolver el problema? ¿Puedes recuperar los datos de fuentes existentes? Primero, limpieza de datos. Rellenar valores, suavizar datos ruidosos, eliminar valores atípicos, resolver consistencias Algoritmos de machine learning (supervisado y no supervisado), inferencia estadística y predicción. k-nearest neighbors, naïve Bayes, decision tres, support vector machines, logistic regression, k means, Evaluar correctamente el modelo y asegurar que funcionara con datos nuevos.
- 6. Librerías Java|Machine Learning • Weka •Java machine Learning • Apache mahout • Apache spark • Deeplearning4j • Mallet • Encog Machine Learning Framework • ELKI • MOA
- 7. Algoritmos básicos • Clasificación •Segmentación • Regresión Lineal
- 8.
- 9.
- 10. Recomendaciones • Descomponer elentendimiento de la inteligencia artificial…
- 11. Agente Inteligente Programación deAgente Inteligente Datos preparados Entendimiento de las matemáticas y estadística Entendimiento del Algoritmo
- 12.