Este documento presenta una introducción al campo del machine learning. Define machine learning como un programa de computadora que aprende de la experiencia para mejorar su desempeño en una tarea. Explica algunos métodos comunes de machine learning como aprendizaje supervisado y no supervisado, y discute aplicaciones actuales como vehículos autónomos y procesamiento de lenguaje natural.

1. 1
Machine Learning:
“¿Caminos? A donde vamos,
no necesitamos caminos”
Egdares Futch H.
Ceremonia de Entrega de Distintivos

3. HABLEMOS DE INTELIGENCIA
ARTIFICIAL

4.  El arte de crear máquinas con capacidad de realizar
funciones que realizadas por personas requieren de
inteligencia. (Kurzweil, 1990).
 El estudio de cómo lograr que las computadoras
realicen tareas que por el momento, los humanos
hacen mejor. (Rich, Knight, 1991).
 La rama de la ciencia de la computación que se ocupa
de la automatización de la conducta inteligente (Luger y
Stubblefield, 1993).
 Un campo de estudio que se enfoca a la explicación y
emulación de la conducta inteligente en función de
procesos computacionales (Schalkoff, 1990).
Definiciones de Inteligencia Artificial

5. Actuar como humanos
 Inteligencia Artificial es el arte de crear máquinas que
realicen funciones que requieren de inteligencia cuando
la realizan humanos
 Metodología: Elija una tarea intelectual en la que los
humanos son mejores y ponga a una computadora a
hacerlo
 Test de Turing

6. El caso del Ajedrez
 Pro:
–“Decir que Deep Blue (IBM) no piensa realmente sobre el
ajedrez es como decir que un avión realmente no vuela
porque no aletea” – Drew McDermott
 Contra:
–“El ajedrez es la Drosophila de la IA. Si los genetistas se
hubieran aplicado de esa manera, tendríamos ahora moscas
muy rápidas” – John McCarthy
 Autista vs. Sentido común

7. Pensar como humanos
 La forma en la que la computadora hace sus
funciones importa
 Comparación de los pasos para hacer un
razonamiento
 Ciencias cognoscitivas  teorías verificables de la
mente humana

8. Pensar y actuar racionalmente
 Siempre tomar la mejor decisión con lo que se tenga a
mano (tiempo, conocimiento, recursos)
 Conocimiento perfecto, recursos ilimitados 
razonamiento lógico
 Conocimiento imperfecto, recursos limitados 
racionalidad limitada

9. El problema ético de los carros autónomos

10.  En los 60’s, un famoso profesor de AI de MIT dijo: “Al
final del verano, habremos desarrollado un ojo
electrónico”
 Hoy, ya llegamos a vehículos autónomos que analizan
escenas dinámicas en tiempo real
 Esto es apoyado por el computador de escala masiva
que es el Internet…todos los días se realiza monitoreo
de tráfico, reconocimiento facial, análisis de imágenes
médicas, inspección de partes, etc.
Predicciones vs. Realidad

11.  En 1958, Herbert Simon (CMU) predijo que en 10 años
una computadora sería campeón de ajedrez
 Esto fue cierto en 1998
 Hoy, computadoras son campeones mundiales en
damas, Otelo, y Ajedrez
 ¡Go fue conquistado en 2016!
Predicciones vs. Realidad

12. Ejemplo: AI tradicional en Prolog
 Prolog es el lenguaje más difundido en la programación
lógica. Algunas de sus características son:
–Prolog usa variables lógicas, las cuales no son comparables a
las de otros lenguajes. Los programadores las pueden usar
como “blancos” en estructuras de datos que se llenan
gradualmente mientras corre el proceso.
–Un método interno de manipulación de datos que pasa
parámetros, retorna resultados, selecciona y construye
estructuras de datos.

13. …Más
 Las claúsulas de programa y los datos tienen la misma
forma.
 La forma relacional de los procedimientos hace posible
definirlos de forma que sean “reversibles”
 Las claúsulas proveen de una forma conveniente para
analizar casos e indeterminismo.
 Algunas veces se requiere de características que no
pertenecen a la lógica pura.
 Un programa en Prolog puede ser considerado como
una base de datos relacional que contiene reglas y
hechos.

14. Nuestro primer programa
/* En el zoologico */
rayas(marty).
esEquino(marty).
rayas(shere_kahn).
elefante(jumbo).
panda(chi_chi).
panda(ming_ming).
suponga(X, tigre) :- rayas(X), dientes_grandes(X), esFelino(X).
suponga(X, cebra) :- rayas(X), esEquino(X).

15. Jugando Clue con Prolog
 Las reglas del juego de
Clue se prestan a crear
inferencias que se
pueden representar como
“conocimiento” en un
programa de Prolog
 A medida que se juega,
se alimenta de
información el sistema
 Sin embargo, basado en
el conocimiento del
programador

16. Investigación moderna de IA
 Centrada alrededor del concepto de agente
 Modelo que construye una mente en base a pequeñas
partes (agentes) que no tienen inteligencia, pero que
pueden realizar cosas simples
 La sociedad de la mente de Marvin Minsky, como
concepto que supera al perceptrón

17. ¿Qué es un Agente?
entorno
agente
?
sensores
manipuladores
Apuntador láser
sonares
Sensores de contacto

18. entorno
agente
?
sensores
manipuladores
En los años 90’s
• Localidad de manipuladores/sensores
• Modelado imperfecto
• Limitaciones tiempo/recursos
• Interacción secuencial
¿Qué es un Agente?

19. blancorobot
• El robot debe mantener el
blanco a la vista
• No se conoce de
antemano el trayecto del
blanco
• El robot puede no conocer
los obstáculos previamente
• Se requieren decisiones
rápidas
Sigamos el blanco (en los años 90s)

20. OK…PERO YA ES 2016

21.  Nació del trabajo previo en Inteligencia Artificial
 Nueva capacidad en las computadoras
 Ejemplos
–Minado de bases de datos
•Grandes conjuntos de datos obtenidos del crecimiento de la
automatización y del acceso al web
•Por ejemplo: datos de click, registros médicos, biología,
ingeniería
–Aplicaciones que no se pueden escribir a mano
•Vehículos autónomos, reconocimiento de escritura,
procesamiento de lenguaje natural, visión de computadora
En los 10’s se habla de Machine Learning

22.  Arthur Samuel (1959) – Campo de estudio que da a las
computadoras la habilidad de aprender sin ser
explícitamente programadas.
 Tom Mitchell (1988) - Un programa de computadora se
dice que aprende de la experiencia E sobre una tarea T
y con un desempeño P, si P mejora con E.
Definición de ML

24. “Un programa de computadora se dice que aprende de la
experiencia E sobre una tarea T y con un desempeño P,
si P mejora con E.”
Supongase que su programa de e-mail analiza cuales
correos marca como spam, y con eso aprende a filtrar el
spam. ¿Cuál es la tarea T?
Clasificar correos como spam o no spam
Observarte clasificando correos como spam o no spam
Fracción de correos correctamente clasificados
Ehhh….tranquilo

25.  Porque gran parte de la investigación se hizo en los
años 1950s.
 1956: Se inventa el término “Inteligencia Artificial” en
Darthmouth para diferenciarlo de la cibernética y de la
teoría de autómata
 Período inicial (50’s a finales de los 60’s):
Principios básicos y generalidades
–Solución de problemas generales
–Demostración de teoremas
–Juegos
–Cálculo formal
¿Por qué parece ser viejo esto de AI/ML?

26.  Actualmente, los algoritmos usados para ML son:
–Aprendizaje supervisado
–Aprendizaje no supervisado
 Otros: aprendizaje por reforzamiento, sistemas de
recomendación
 Es importante calibrar y analizar errores que el
algoritmo genera
–Entender por qué se toma una decisión
¿Cómo se hace ML ahora?

27.  En nuestro ejemplo del antispam, se puede escoger un
conjunto de 100 palabras como características, en vez
de usar las 50,000 o más que existen en español
 Con un filtro de regresión logística Bayesiana,
obtenemos un 20% de error…debemos recalibrar
 ¿Huh?
Pero…es mucha matemática

28.  Más ejemplos de entrenamiento
 Menos características
 Más características
 Cambiar las características: encabezado o cuerpo del
email
Cambios en algoritmos de ML

29.  Método #1: Diseño cuidadoso
–Tomar tiempo para diseñar los features correctos, recolectando
el conjunto de datos correctos y diseñando la estructura
algorítmica adecuada
–Implementar y esperar que funcione 
–Beneficio: Solución más escalable. Puede descubrir nuevos
algoritmos y contribuir a la investigación de ML
 Método #2: Construir y arreglar
–Implementar algo rápido
–Correrlo, analizar errores y diangósticos y corregir
–Beneficio: Aplicación puede llegar al mercado antes
Cómo iniciamos un proyecto de ML

30.  Entro al auditorio, tengo limitaciones visuales
 Mi celular (o un dispositivo hecho con un Raspberry Pi
o similar) me informa en audio sintetizado: “Un amigo
tuyo está acá”
 “También hay 10 personas que son sus amigos”
Aplicación: un sistema de apoyo visual

31. Diferentes componentes en conjunto

32. Podemos hacer ingeniería de más…

33.  Considero que el gran poder de procesamiento de la
Nube está al alcance de cualquier aplicación de ML que
podamos hacer
 Pero…
 El entrenamiento debe ser realizado en otras
localidades, que a veces los investigadores no
consideran
 TROPICALIZACIÓN
¿Podemos usar eso acá?

34.  Considero que el gran poder de procesamiento de la
Nube está al alcance de cualquier aplicación de ML que
podamos hacer
 Pero…
 El entrenamiento debe ser realizado en otras
localidades, que a veces los investigadores no
consideran
 TROPICALIZACIÓN
¿Podemos usar eso acá?

35. Hay retos en todos lados

36. Amplificadores de ML
Ley de Moore
Low Power
Wireless
Low Power
CPUs
Cloud
Computing
Cloud Data
Storage
Rapid
Prototyping
Estándares
Crowdfunding
Toolsets &
Libraries

37.  Hemos logrado copiar la red neural completa de un
gusano (C. Elegans) e implantarla en un robot de Lego,
que se comporta como el gusano.
 Disponible en www.openworm.org
 Comportamiento es emergente, no se ha entrenado,
solamente responde ante los estímulos del ambiente
Otra investigación en el campo de ML

38.  Generar noticias o predicciones deportivas con base a
resultados estadísticos
Otra investigación en ML

39.  Chatbots
 Minado de información
 Gestión de inventarios
 Gestión de la Cadena de Suministros
 La próxima frontera para sistemas ERP, ¿ estarán las
empresas de software tradicionales allí? SalesForce
ya…
¿Y en los negocios?

40.  Machine Learning es la ampliación de la investigación
en Inteligencia Artificial
 Amplificada enormemente por la capacidad de nuevos
dispositivos, especialmente empresas que han sido
adquiridas por Google, aprovechan capacidades
masivas de
 Aplicación casi inmediata, de disponibilidad universal
En conclusión…

41.  Twitter: @efutch
 E-mail: efutch@gmail.com
 Slides en http://www.slideshare.net/efutch
Contacto