Este documento proporciona una introducción al aprendizaje automático (machine learning). Explica que el aprendizaje automático permite que las computadoras aprendan sin ser programadas explícitamente y ofrece ejemplos de aplicaciones como la detección de spam, el reconocimiento de imágenes y el procesamiento del lenguaje natural. Además, describe los diferentes tipos de sistemas de aprendizaje automático como el aprendizaje supervisado, no supervisado y por refuerzo. Finalmente, concluye que el aprendizaje automá
"Aplicaciones de Procesamiento de Lenguaje Natural (PLN) en Empresas" Machine Learning y sus mil y un porque
Actualmente debido al creciente uso de internet, hay una abundante cantidad de información textual. Como actualmente las empresas utilizan esta información? La respuesta es Procesamiento de Lenguaje Natural. Procesamiento de Lenguaje Natural (PLN) es una área de ciencia de la computación, inteligencia artificial y lingüística computacional que se preocupa de las interacciones entre computadores y lenguajes humanos. En la presente charla, veremos algunas ilustraciones de PLN en nuestra vida cotidiana y como estas tecnologías son usadas en empresas. Específicamente, veremos ejemplos en la empresa Educational Testing Services(ETS) - empresa a cargo del TOEFL. Ya más específicamente, veremos cómo modelar un programa para corrección automática de preguntas en forma de texto. En el área de reconocimiento de audio, trataremos el problema de detección automática de errores de pronunciación. Relacionado a gramática, analizaremos el problema de selección correcta de preposiciones dada una oración. Finalmente, analizaremos el problema de análisis de sentimientos en comentarios de libros.
MSc. Nils Murrugarra (Estados Unidos – Pittsburgh)
Investigador experto en Machine Learning ha trabajado en el “Educational Testing Service” de Princeton, Estados Unidos. Actualmente es investigador y candidato a doctor en Ciencias de la Computación por la Universidad de Pittsburgh, Estados Unidos.
Se ha desempeñado como investigador de Machine Learning, trabajando sobre la plataforma SKILL del “Educational Testing Service” de Princeton. Actualmente, trabaja en Active Learning en el departamento de Ciencias de la Computación de la Universidad de Pittsburgh y forma parte del cuerpo directivo de la revista de computación "CompuScientia“. Ha sido presidente de la Sociedad de Estudiantes de Ciencias de la Computación (SECC) entre los años 2007 y 2008.
Diapositiva Introducción al Machine Learning en Android presentado en el Android Camp Bolivia 2017
- Introducción Machine Learning
- Google Cloud Vision
- IBM Watson
- Ejemplos subidos a Github
Charla Evento TestingUY 2018 - Pruebas de desempeño en sistemas del gobierno ...TestingUy
Expositor: Thiago Burgos Medeiros Rodrigues
Resumen: “Aunque es difícil medir y definir un software como de buena calidad, un software de mala calidad es fácilmente identificado” – Guillermo Motta.
Con la frase del colega arriba, pretendo iniciar la discusión sobre Pruebas de Desempeño, más específicamente, sobre el actual proceso de Pruebas de Desempeño que observo en el sector público brasileño.
En seis años de trabajo en el sector, he vivido repetidas situaciones como: sistemas reprobados por bajo desempeño y/o errores funcionales cerca de la fecha límite de entrega; requisitos que no concuerdan con la expectativa del cliente o clientes que se enfrentan a la difícil tarea de definir parámetros de prueba sin instrucciones adecuadas; inexistencia o plazo insuficiente para el desarrollo de pruebas; dificultad para obtener masa de datos; cambios en lo sistema o manipulación de los datos por terceros durante el desarrollo de las pruebas, entre otras situaciones cotidianas de un desarrollador de pruebas.
¿Cómo afrontar problemas de especificación, alinear la expectativa del cliente y alcanzar un punto de concordancia o congruencia de intereses? Éste será el hilo conductor de nuestra charla, ante el escenario actual, abordando los mayores obstáculos y cómo se están enfrentando.
Conferencia impartida en la Artificial Intelligence Conference, donde se compartieron experiencias sobre el Machine Learning, su definición, los tipos de aprendizaje, algunas aplicaciones y el uso de BigML.
"Aplicaciones de Procesamiento de Lenguaje Natural (PLN) en Empresas" Machine Learning y sus mil y un porque
Actualmente debido al creciente uso de internet, hay una abundante cantidad de información textual. Como actualmente las empresas utilizan esta información? La respuesta es Procesamiento de Lenguaje Natural. Procesamiento de Lenguaje Natural (PLN) es una área de ciencia de la computación, inteligencia artificial y lingüística computacional que se preocupa de las interacciones entre computadores y lenguajes humanos. En la presente charla, veremos algunas ilustraciones de PLN en nuestra vida cotidiana y como estas tecnologías son usadas en empresas. Específicamente, veremos ejemplos en la empresa Educational Testing Services(ETS) - empresa a cargo del TOEFL. Ya más específicamente, veremos cómo modelar un programa para corrección automática de preguntas en forma de texto. En el área de reconocimiento de audio, trataremos el problema de detección automática de errores de pronunciación. Relacionado a gramática, analizaremos el problema de selección correcta de preposiciones dada una oración. Finalmente, analizaremos el problema de análisis de sentimientos en comentarios de libros.
MSc. Nils Murrugarra (Estados Unidos – Pittsburgh)
Investigador experto en Machine Learning ha trabajado en el “Educational Testing Service” de Princeton, Estados Unidos. Actualmente es investigador y candidato a doctor en Ciencias de la Computación por la Universidad de Pittsburgh, Estados Unidos.
Se ha desempeñado como investigador de Machine Learning, trabajando sobre la plataforma SKILL del “Educational Testing Service” de Princeton. Actualmente, trabaja en Active Learning en el departamento de Ciencias de la Computación de la Universidad de Pittsburgh y forma parte del cuerpo directivo de la revista de computación "CompuScientia“. Ha sido presidente de la Sociedad de Estudiantes de Ciencias de la Computación (SECC) entre los años 2007 y 2008.
Diapositiva Introducción al Machine Learning en Android presentado en el Android Camp Bolivia 2017
- Introducción Machine Learning
- Google Cloud Vision
- IBM Watson
- Ejemplos subidos a Github
Charla Evento TestingUY 2018 - Pruebas de desempeño en sistemas del gobierno ...TestingUy
Expositor: Thiago Burgos Medeiros Rodrigues
Resumen: “Aunque es difícil medir y definir un software como de buena calidad, un software de mala calidad es fácilmente identificado” – Guillermo Motta.
Con la frase del colega arriba, pretendo iniciar la discusión sobre Pruebas de Desempeño, más específicamente, sobre el actual proceso de Pruebas de Desempeño que observo en el sector público brasileño.
En seis años de trabajo en el sector, he vivido repetidas situaciones como: sistemas reprobados por bajo desempeño y/o errores funcionales cerca de la fecha límite de entrega; requisitos que no concuerdan con la expectativa del cliente o clientes que se enfrentan a la difícil tarea de definir parámetros de prueba sin instrucciones adecuadas; inexistencia o plazo insuficiente para el desarrollo de pruebas; dificultad para obtener masa de datos; cambios en lo sistema o manipulación de los datos por terceros durante el desarrollo de las pruebas, entre otras situaciones cotidianas de un desarrollador de pruebas.
¿Cómo afrontar problemas de especificación, alinear la expectativa del cliente y alcanzar un punto de concordancia o congruencia de intereses? Éste será el hilo conductor de nuestra charla, ante el escenario actual, abordando los mayores obstáculos y cómo se están enfrentando.
Conferencia impartida en la Artificial Intelligence Conference, donde se compartieron experiencias sobre el Machine Learning, su definición, los tipos de aprendizaje, algunas aplicaciones y el uso de BigML.
ACERTIJO DE CARRERA OLÍMPICA DE SUMA DE LABERINTOS. Por JAVIER SOLIS NOYOLAJAVIER SOLIS NOYOLA
El Mtro. JAVIER SOLIS NOYOLA, crea y desarrolla ACERTIJO: «CARRERA OLÍMPICA DE SUMA DE LABERINTOS». Esta actividad de aprendizaje lúdico que implica de cálculo aritmético y motricidad fina, promueve los pensamientos lógico y creativo; ya que contempla procesos mentales de: PERCEPCIÓN, ATENCIÓN, MEMORIA, IMAGINACIÓN, PERSPICACIA, LÓGICA LINGUISTICA, VISO-ESPACIAL, INFERENCIA, ETCÉTERA. Didácticamente, es una actividad de aprendizaje transversal que integra áreas de: Matemáticas, Neurociencias, Arte, Lenguaje y comunicación, etcétera.
2. Índice
de
contenidos
Diferentes aplicaciones del
Machine Learning.
Ejemplos de aplicaciones
03
¿Qué es el Machine Learning?
Definición y cómo funciona.
01
¿Por qué usar Machine Learning?
Problemas que resuelve. Ejemplo
con la lista de spam.
02
Sistemas de Machine Learning
Tipos de sistemas que existen en
Machine Learning.
04
Conclusiones
Conclusiones que hemos
obtenido.
05
4. 01
(Arthur Samuel, 1959)
Definición general
Es el campo de estudio que da a las
computadoras la capacidad de aprender sin
ser programadas explícitamente.
5. 01
(Tom Mitchell, 1997)
Definición orientada a Ingeniería
Un programa de computadora se dice que
aprende a partir de la experiencia E con
respecto a alguna tarea T y alguna medida
de rendimiento P, si su rendimiento en T,
medido por P, mejora con la experiencia.
7. Problemas complejos
donde soluciones
tradicionales no dan una
buena solución
Obtener información sobre
problemas complejos y
grandes cantidades de datos
02
Entornos que cambian
y fluctúan con
frecuencia
Problemas que necesitan
muchos ajustes precisos y
muchas reglas
8. Detectar SPAM sin ML
Escribir el algoritmo de
detección por cada patrón
Paso 2
Probar el programa y
repetir los pasos 1 y 2
hasta lanzarlo
Paso 3
Analizar cómo se ve el
spam y buscar patrones
Paso 1
9. Detectar SPAM con ML
Entrenar el algoritmo y
darle tiempo a aprender a
clasificar los correos de
spam automáticamente
Paso 2
Probar el programa y
repetir los pasos 1 y 2
hasta lanzarlo
Paso 3
Analizar cómo se ve el
spam y buscar patrones
Paso 1
12. 03
Visión por computadora
Convolutional Neuronal Networks (CNN)
• Clasificación de imágenes
• Detectar tumores en resonancias magnéticas: Segmentación
semántica con CNNs
13. 03
Procesamiento del Lenguaje
Natural
Natural Language Processing (NLP)
• Clasificación automática de texto: RNN, CNNs o Transformers.
• Detección de texto ofensivo.
• Resumen automático de documentos largos.
• Chatbot o asistente personal: NLU y NLP.
14. 03
Análisis de datos
RNN, CNN, Transformers, Clustering, …
• Predicción y regresión: modelos de regresión, RNN, CNNs o
Transformers.
• Reconocimiento de voz: RNN, CNN o Transformers.
• Análisis de datos: detección de anomalías y clustering.
• Visualización de datos: técnicas de reducción de dimensionalidad.
15. 03
Juegos
Reinforcement Learning (RL)
• Construir bots inteligentes
• Detectar trampas reconociendo patrones en los movimientos del
jugador
• Detección y ajuste automático en la dificultad de un nivel en función de
la habilidad del jugador
17. Aprendizaje en línea
Aprendizaje por lotes
Aprendizaje
Supervisado
No supervisado
Semisupervisado
Aprendizaje por refuerzo
Entrenamiento
Aprendizaje basado en
instancias
Aprendizaje basado en
modelos
04
Modelado
18. 04
Aprendizaje supervisado
• Decimos qué tiene que
aprender con el dataset
etiquetado (indicando
qué salida corresponde
a la entrada).
• Sabemos la
clasificación correcta.
19. 04
Aprendizaje supervisado
Tareas típicas Algoritmos
• Clasificación
• Predicción numérica: regresión
• K-Vecinos más cercanos
• Regresión lineal y regresión logística
• Máquinas de Vectores de Soporte (SVMs)
• Árboles de decisión y bosques aleatorios
• Redes neuronales
20. 04
Aprendizaje no supervisado
• Se entrenan con un
dataset sin clasificar.
• Es más subjetivo, y debe
reconocer patrones
para etiquetarlos.
• No sabemos la
clasificación correcta.
21. 04
Aprendizaje no supervisado
Tareas típicas Algoritmos
• Reducción de dimensionalidad.
• Aprender reglas de asociación.
• Detección de anomalías.
• Clustering: K-Means, DBSCAN, HCA
(Análisis jerárquico de clusters), ...
• Detección de anomalías y novedades: SVM
de una sola clase, bosque de aislamiento, ...
• Visualización y reducción de
dimensionalidad: PCA, Kernel PCA, LLE, t-
SNE, ...
• Aprendizaje de reglas de asociación:
Apriori, Eclat
22. 04
Aprendizaje semisupervisado
• Se entrenan con un
dataset sin clasificar y
con uno clasificado.
• Alto coste de etiquetar
los datos sin etiquetas.
• Consume mucho
tiempo.
23. 04
Aprendizaje por refuerzo
• El Agente puede
observar el entorno,
seleccionar y hacer
acciones.
• Es un proceso de
ensayo-error.
• Cada acción recibe una
reacción: respuesta
positiva o negativa.
24. 04
Aprendizaje en lote (batch)
• Se entrena con todos
los datos disponibles.
• El entrenamiento, la
evaluación y el
lanzamiento se
automatizan
fácilmente.
• Mucho tiempo y
recursos.
25. 04
Aprendizaje en línea (online)
• Se entrena poco a poco
con los datos con mini-
lotes.
• Útil si no se pueden
cargar todos los datos
en memoria.
• Es rápido y económico.
26. 04
Aprendizaje basado en
instancias
El sistema aprende los ejemplos de memoria,
luego generaliza a nuevos casos utilizando
una medida de similitud para compararlos
con ejemplos aprendidos (o algunos de ellos).
27. 04
Aprendizaje basado en modelos
Generaliza a partir de un conjunto de
ejemplos construyendo un modelo a partir
de estos ejemplos. Finalmente utiliza este
modelo para hacer las predicciones.
29. Es un pilar básico en la
transformación digital.
Se utilizan estos algoritmos a
diario en aplicaciones de
múltiples dispositivos.
Herramienta que muchas
industrias utilizan hoy para
resolver problemas.
Uso cotidiano
Herramienta
imprescindible
Pilar básico
Mundo
empresarial
Productividad y
competitividad en
diferentes áreas se ven
intensificadas.
Uso en muchas
áreas
Se utiliza en áreas que van desde
la salud y la seguridad, hasta la
educación y la sostenibilidad.
Futuro digital
Proporciona un avance
social y una transformación
del mundo laboral.
05