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.
Internet, Big Data e Inteligencia ArtificialCleverTask
Vídeo de la charla: https://www.youtube.com/watch?v=9BrIwVbZZ7c
Revisar la evolución de Internet nos sirve para ver en qué punto estamos, cómo ha surgido el concepto Big Data y por qué la Inteligencia Artificial está evolucionando rápidamente en los últimos años, cuando en realidad las primeras experiencias se dieron a mediados del siglo pasado.
El Machine Learning es una disciplina de la Inteligencia Artificial que crea sistemas (a veces llamados "robots") que aprenden de los datos. Deep Learning es una rama del Machine Learning que pretende simular el funcionamiento del cerebro humano.
La Práctica de Machine Learning en la empresaSoftware Guru
En esta sesión expondremos el impacto que machine learning tendra en la competividad de las empresas, así como revisar casos concretos del tipo de problemas que machine learning resuelve hoy en día. Así mismo, compartiremos un modelo de adopción de machine learning que los asistentes puedan utilizar para introducir esta práctica en sus organizaciones.
Semblanza del conferencista:
Manuel Reyes es investigador y consultor en análisis de datos. Cuenta con un doctorado en Ingeniería Eléctrica por la Universidad de Columbia y durante 7 años colaboró como investigador para el grupo de Bing en el corporativo de Microsoft en Redmond, Washington.
Emilio Osorio es Consultor Principal en Sistemas Humanos, un colectivo de profesionistas especializados en procesos de adopción y apropiación en tecnologías. Cuenta con una larga trayectoria en la industria de TI, habiendo fundado empresas como NexusNet, Nexusware y el mismo Sistemas Humanos. Emilio también gusta de participar como voluntario en una gama de proyectos y organizaciones sin fines de lucro en proyectos relacionados con educación, tecnología y cultura libres. http://mx.linkedin.com/in/minoruosorio
El Aprendizaje Automático (AA), conocido en inglés como Machine Learning, es una rama de la Inteligencia Artificial en la cual su principal objetivo es desarrollar técnicas que permitan a las computadoras aprender, es decir, se considera como un proceso de inducción del conocimiento. Dentro de las aplicaciones de aprendizaje automático están diversas aplicaciones de negocio como motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla entre otros. En esta sesión presentaremos alguno de los conceptos fundamentales del AA y mostraremos cómo crear este tipo de soluciones usando Azure Machine Learning, el nuevo servicio de Azure completamente administrado en la nube y que puede ser integrado en nuestras aplicaciones tradicionales de negocio.
Al empezar a hablar de ciencia de datos se vuelven comunes las palabras minería de datos y machine learning. En esta sesión se presentarán las capacidades de minería de datos en SQL Server y las posibilidades que nos ofrece Azure Machine Learning.
En esta plática hablo sobre lo que es el Machine Learning y cómo puede ayudarnos para resolver problemas de clasificación, predicción y detección de anomalías en función de los datos que tenemos. Además, hablamos de Azure Machine Learning como plataforma para simplificar la creación de experimentos de ML, así como su consumo en una app móvil.
Video de la charla: https://youtu.be/zC-18rxvOpY
Código fuente en GitHub: https://github.com/icebeam7/CalificacionesApp
Slides de la charla "Machine learning a lo berserker". Una charla que consiste en explicar Machine Learning a lo bruto y con un poco de irresponsabilidad :P Nada de mates y un poco de sentido práctico.
Más información: http://berserker.science
Internet, Big Data e Inteligencia ArtificialCleverTask
Vídeo de la charla: https://www.youtube.com/watch?v=9BrIwVbZZ7c
Revisar la evolución de Internet nos sirve para ver en qué punto estamos, cómo ha surgido el concepto Big Data y por qué la Inteligencia Artificial está evolucionando rápidamente en los últimos años, cuando en realidad las primeras experiencias se dieron a mediados del siglo pasado.
El Machine Learning es una disciplina de la Inteligencia Artificial que crea sistemas (a veces llamados "robots") que aprenden de los datos. Deep Learning es una rama del Machine Learning que pretende simular el funcionamiento del cerebro humano.
La Práctica de Machine Learning en la empresaSoftware Guru
En esta sesión expondremos el impacto que machine learning tendra en la competividad de las empresas, así como revisar casos concretos del tipo de problemas que machine learning resuelve hoy en día. Así mismo, compartiremos un modelo de adopción de machine learning que los asistentes puedan utilizar para introducir esta práctica en sus organizaciones.
Semblanza del conferencista:
Manuel Reyes es investigador y consultor en análisis de datos. Cuenta con un doctorado en Ingeniería Eléctrica por la Universidad de Columbia y durante 7 años colaboró como investigador para el grupo de Bing en el corporativo de Microsoft en Redmond, Washington.
Emilio Osorio es Consultor Principal en Sistemas Humanos, un colectivo de profesionistas especializados en procesos de adopción y apropiación en tecnologías. Cuenta con una larga trayectoria en la industria de TI, habiendo fundado empresas como NexusNet, Nexusware y el mismo Sistemas Humanos. Emilio también gusta de participar como voluntario en una gama de proyectos y organizaciones sin fines de lucro en proyectos relacionados con educación, tecnología y cultura libres. http://mx.linkedin.com/in/minoruosorio
El Aprendizaje Automático (AA), conocido en inglés como Machine Learning, es una rama de la Inteligencia Artificial en la cual su principal objetivo es desarrollar técnicas que permitan a las computadoras aprender, es decir, se considera como un proceso de inducción del conocimiento. Dentro de las aplicaciones de aprendizaje automático están diversas aplicaciones de negocio como motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla entre otros. En esta sesión presentaremos alguno de los conceptos fundamentales del AA y mostraremos cómo crear este tipo de soluciones usando Azure Machine Learning, el nuevo servicio de Azure completamente administrado en la nube y que puede ser integrado en nuestras aplicaciones tradicionales de negocio.
Al empezar a hablar de ciencia de datos se vuelven comunes las palabras minería de datos y machine learning. En esta sesión se presentarán las capacidades de minería de datos en SQL Server y las posibilidades que nos ofrece Azure Machine Learning.
En esta plática hablo sobre lo que es el Machine Learning y cómo puede ayudarnos para resolver problemas de clasificación, predicción y detección de anomalías en función de los datos que tenemos. Además, hablamos de Azure Machine Learning como plataforma para simplificar la creación de experimentos de ML, así como su consumo en una app móvil.
Video de la charla: https://youtu.be/zC-18rxvOpY
Código fuente en GitHub: https://github.com/icebeam7/CalificacionesApp
Slides de la charla "Machine learning a lo berserker". Una charla que consiste en explicar Machine Learning a lo bruto y con un poco de irresponsabilidad :P Nada de mates y un poco de sentido práctico.
Más información: http://berserker.science
Es importante saber diferenciar conceptos. Mucha gente usa Data Science y Big data como cromos intercambiables. Vale que al final usaremos "Big Data" para todo. Pero podemos intentar mezclar lo menos posible.
Big Data y Data Science están solapadas y conectadas, aunque son conceptualmente distintas. Ambas se necesitan.
Cuando tenemos muchos datos, cuando tenemos potencia de cálculo, queremos automatizar al máximo las decisiones derivadas en el tiempo más casi real posible. Esto es Big Data + Data Science. Podríamos hablar de Big Data Science y nos olvidamos de confusiones ;)
BDAS-2017 | De los Bots a las Arquitecturas CognitivasBig-Data-Summit
Las tecnologías de Procesamiento del Lenguaje Natural (PLN) han hecho posible la creación de nuevos servicios, como por ejemplo los asistentes virtuales, que pretenden ofrecer una interacción más natural con los usuarios sin renunciar a las grandes capacidades de automatización del Big Data. Sin embargo, lograr una interacción natural requiere la integración de múltiples funciones cognitivas además del lenguaje. En esta sesión se analiza el papel que juegan la arquitecturas cognitivas a la hora de construir bots que integren capacidades avanzadas de memoria semántica, atención, razonamiento, emoción, empatía, etc.
BDAS-2017 | IoT Analytics: Analítica de datos provenientes del Internet de la...Big-Data-Summit
El Internet de las cosas se convertirá en la principal fuente del Big Data para muchas organizaciones latinoamericanas en los próximos años. El IoT ya está presente en diversos sectores, como el del transporte, la aeronáutica y la industria pesada; igualmente también estará presente, el día de mañana, en el sector bancario, en las aseguradoras, en la industria del automóvil, en el comercio minorista y en las ciudades inteligentes. Más sin embargo, recolectar enormes volúmenes de datos generados por millones de sensores, no será suficiente. Es necesario, analizar estos datos y transformarlos, casi siempre en tiempo real, en decisiones. Mediante la explicación de casos prácticos serán presentados siete tipos de análisis de datos en el transcurso de esta conferencia, entre los cuales estarán el análisis predictivo, el análisis geo-espacial, análisis de flujo e incluso el aprendizaje profundo.
Conferencia impartida como parte de las actividades realizadas en conmemoración del aniversario de la Carrera de Matemática de la Universidad Mayor de San Andrés (UMSA).
Conferencia impartida como parte de las actividades realizadas por el 52 aniversario de la Facultad de Ciencias Puras y Naturales de la Universidad Mayor de San Andrés (UMSA).
Análisis de ataques a un sistema de correo electrónico por medio de mensajes ...Egdares Futch H.
Se describe el análisis realizado sobre la capacidad de crear mensajes de correo electrónico de Internet, que incluyen código HTML diseñado maliciosamente para hacer creer al receptor que proviene de una entidad o persona de confianza, y hacerle creer que está interactuando con ella, sin que sea detectado por el sistema de correo electrónico o paquetería de filtrado y seguridad, como antivirus y antispam.
Se considera como un ataque de ingeniería social (“social engineering”) hacia los usuarios de los sistemas de correo electrónico, que aprovecha de debilidades en los paquetes de correo electrónico (“Mail User Agents – MUAs”) y sistemas de filtrado de correo y virus disponibles comercialmente. El término utilizado comúnmente para este tipo de ataques se denomina phishing.
La prueba de concepto se realiza sobre software disponible comercialmente y de uso generalizado entre las personas que se comunican a través de correo electrónico de Internet.
Es importante saber diferenciar conceptos. Mucha gente usa Data Science y Big data como cromos intercambiables. Vale que al final usaremos "Big Data" para todo. Pero podemos intentar mezclar lo menos posible.
Big Data y Data Science están solapadas y conectadas, aunque son conceptualmente distintas. Ambas se necesitan.
Cuando tenemos muchos datos, cuando tenemos potencia de cálculo, queremos automatizar al máximo las decisiones derivadas en el tiempo más casi real posible. Esto es Big Data + Data Science. Podríamos hablar de Big Data Science y nos olvidamos de confusiones ;)
BDAS-2017 | De los Bots a las Arquitecturas CognitivasBig-Data-Summit
Las tecnologías de Procesamiento del Lenguaje Natural (PLN) han hecho posible la creación de nuevos servicios, como por ejemplo los asistentes virtuales, que pretenden ofrecer una interacción más natural con los usuarios sin renunciar a las grandes capacidades de automatización del Big Data. Sin embargo, lograr una interacción natural requiere la integración de múltiples funciones cognitivas además del lenguaje. En esta sesión se analiza el papel que juegan la arquitecturas cognitivas a la hora de construir bots que integren capacidades avanzadas de memoria semántica, atención, razonamiento, emoción, empatía, etc.
BDAS-2017 | IoT Analytics: Analítica de datos provenientes del Internet de la...Big-Data-Summit
El Internet de las cosas se convertirá en la principal fuente del Big Data para muchas organizaciones latinoamericanas en los próximos años. El IoT ya está presente en diversos sectores, como el del transporte, la aeronáutica y la industria pesada; igualmente también estará presente, el día de mañana, en el sector bancario, en las aseguradoras, en la industria del automóvil, en el comercio minorista y en las ciudades inteligentes. Más sin embargo, recolectar enormes volúmenes de datos generados por millones de sensores, no será suficiente. Es necesario, analizar estos datos y transformarlos, casi siempre en tiempo real, en decisiones. Mediante la explicación de casos prácticos serán presentados siete tipos de análisis de datos en el transcurso de esta conferencia, entre los cuales estarán el análisis predictivo, el análisis geo-espacial, análisis de flujo e incluso el aprendizaje profundo.
Conferencia impartida como parte de las actividades realizadas en conmemoración del aniversario de la Carrera de Matemática de la Universidad Mayor de San Andrés (UMSA).
Conferencia impartida como parte de las actividades realizadas por el 52 aniversario de la Facultad de Ciencias Puras y Naturales de la Universidad Mayor de San Andrés (UMSA).
Análisis de ataques a un sistema de correo electrónico por medio de mensajes ...Egdares Futch H.
Se describe el análisis realizado sobre la capacidad de crear mensajes de correo electrónico de Internet, que incluyen código HTML diseñado maliciosamente para hacer creer al receptor que proviene de una entidad o persona de confianza, y hacerle creer que está interactuando con ella, sin que sea detectado por el sistema de correo electrónico o paquetería de filtrado y seguridad, como antivirus y antispam.
Se considera como un ataque de ingeniería social (“social engineering”) hacia los usuarios de los sistemas de correo electrónico, que aprovecha de debilidades en los paquetes de correo electrónico (“Mail User Agents – MUAs”) y sistemas de filtrado de correo y virus disponibles comercialmente. El término utilizado comúnmente para este tipo de ataques se denomina phishing.
La prueba de concepto se realiza sobre software disponible comercialmente y de uso generalizado entre las personas que se comunican a través de correo electrónico de Internet.
Presentación de la práctica desarrollada en el Seminario "Diseño y negociación de proyectos europeos sobre tecnología educativa" impartido por el Dr Daniel Burgos, en la Universidad de Salamanca el martes 16 de febrero de 2016.
Análisis comparativo entre Business Process Management System (BPMS) y sistemas de gestión de flujos de trabajo automatizados (Workflow Management), con énfasis en Oracle Workflow
Análisis de ataques a un sistema de correo electrónico por medio de mensajes ...Egdares Futch H.
Se describe el análisis realizado sobre la capacidad de crear mensajes de correo electrónico de Internet, que incluyen código HTML diseñado maliciosamente para hacer creer al receptor que proviene de una entidad o persona de confianza, y hacerle creer que está interactuando con ella, sin que sea detectado por el sistema de correo electrónico o paquetería de filtrado y seguridad, como antivirus y antispam.
Analizador sintáctico de Pascal escrito en BisonEgdares Futch H.
Este documento es un ejemplo de un analizador sintáctico (Parser) de Pascal, escrito en Bison. Incluye la generación de un Árbol de Sintaxis Abstracta (AST - Abstract Syntax Tree)
Ejemplo de integración de un analizador léxico (lexer) y un analizador sintáctico (parser) implementados en JLex y CUP. Fuente: http://www.cis.uab.edu/courses/cs602/
Inteligencia Artificial y Ciberseguridad.pdfEmilio Casbas
Recopilación de los puntos más interesantes de diversas presentaciones, desde los visionarios conceptos de Alan Turing, pasando por la paradoja de Hans Moravec y la descripcion de Singularidad de Max Tegmark, hasta los innovadores avances de ChatGPT, y de cómo la IA está transformando la seguridad digital y protegiendo nuestras vidas.
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta in...espinozaernesto427
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta intensidad son un tipo de lámpara eléctrica de descarga de gas que produce luz por medio de un arco eléctrico entre electrodos de tungsteno alojados dentro de un tubo de alúmina o cuarzo moldeado translúcido o transparente.
lámparas más eficientes del mercado, debido a su menor consumo y por la cantidad de luz que emiten. Adquieren una vida útil de hasta 50.000 horas y no generan calor alguna. Si quieres cambiar la iluminación de tu hogar para hacerla mucho más eficiente, ¡esta es tu mejor opción!
Las nuevas lámparas de descarga de alta intensidad producen más luz visible por unidad de energía eléctrica consumida que las lámparas fluorescentes e incandescentes, ya que una mayor proporción de su radiación es luz visible, en contraste con la infrarroja. Sin embargo, la salida de lúmenes de la iluminación HID puede deteriorarse hasta en un 70% durante 10,000 horas de funcionamiento.
Muchos vehículos modernos usan bombillas HID para los principales sistemas de iluminación, aunque algunas aplicaciones ahora están pasando de bombillas HID a tecnología LED y láser.1 Modelos de lámparas van desde las típicas lámparas de 35 a 100 W de los autos, a las de más de 15 kW que se utilizan en los proyectores de cines IMAX.
Esta tecnología HID no es nueva y fue demostrada por primera vez por Francis Hauksbee en 1705. Lámpara de Nernst.
Lámpara incandescente.
Lámpara de descarga. Lámpara fluorescente. Lámpara fluorescente compacta. Lámpara de haluro metálico. Lámpara de vapor de sodio. Lámpara de vapor de mercurio. Lámpara de neón. Lámpara de deuterio. Lámpara xenón.
Lámpara LED.
Lámpara de plasma.
Flash (fotografía) Las lámparas de descarga de alta intensidad (HID) son un tipo de lámparas de descarga de gas muy utilizadas en la industria de la iluminación. Estas lámparas producen luz creando un arco eléctrico entre dos electrodos a través de un gas ionizado. Las lámparas HID son conocidas por su gran eficacia a la hora de convertir la electricidad en luz y por su larga vida útil.
A diferencia de las luces fluorescentes, que necesitan un recubrimiento de fósforo para emitir luz visible, las lámparas HID no necesitan ningún recubrimiento en el interior de sus tubos. El propio arco eléctrico emite luz visible. Sin embargo, algunas lámparas de halogenuros metálicos y muchas lámparas de vapor de mercurio tienen un recubrimiento de fósforo en el interior de la bombilla para mejorar el espectro luminoso y reproducción cromática. Las lámparas HID están disponibles en varias potencias, que van desde los 25 vatios de las lámparas de halogenuros metálicos autobalastradas y los 35 vatios de las lámparas de vapor de sodio de alta intensidad hasta los 1.000 vatios de las lámparas de vapor de mercurio y vapor de sodio de alta intensidad, e incluso hasta los 1.500 vatios de las lámparas de halogenuros metálicos.
Las lámparas HID requieren un equipo de control especial llamado balasto para funcionar
Es un diagrama para La asistencia técnica o apoyo técnico es brindada por las compañías para que sus clientes puedan hacer uso de sus productos o servicios de la manera en que fueron puestos a la venta.
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informáticavazquezgarciajesusma
En este proyecto de investigación nos adentraremos en el fascinante mundo de la intersección entre el arte y los medios de comunicación en el campo de la informática.
La rápida evolución de la tecnología ha llevado a una fusión cada vez más estrecha entre el arte y los medios digitales, generando nuevas formas de expresión y comunicación.
Continuando con el desarrollo de nuestro proyecto haremos uso del método inductivo porque organizamos nuestra investigación a la particular a lo general. El diseño metodológico del trabajo es no experimental y transversal ya que no existe manipulación deliberada de las variables ni de la situación, si no que se observa los fundamental y como se dan en su contestó natural para después analizarlos.
El diseño es transversal porque los datos se recolectan en un solo momento y su propósito es describir variables y analizar su interrelación, solo se desea saber la incidencia y el valor de uno o más variables, el diseño será descriptivo porque se requiere establecer relación entre dos o más de estás.
Mediante una encuesta recopilamos la información de este proyecto los alumnos tengan conocimiento de la evolución del arte y los medios de comunicación en la información y su importancia para la institución.
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
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
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)
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
23.
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
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?
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…