Hola. Cómo estás? Bienvenido a este curso de inteligencia artificial.

Vamos a estar hablando de los

fundamentos de la IA donde vamos a explorar también como esta tecnología está transformando
radicalmente el mundo en el que habitamos. pero también vamos a plantear lo de esas dudas que
genera desafíos

Vamos a estar hablando desde esta tecnología en su génesis cómo nació, cómo se formó, cómo
impacta la sociedad hoy en día y no solamente es una mirada teórica. Nos vamos a metir adentro
de la inteligencia artificial y vamos a estar desarrollando algunos modelos. Pero. Vamos a ir
arrancando por una pregunta fundamental, y durante los primeros pasos de este módulo vamos a
estar respondiendo que es la inteligencia [Link] esto no lo vamos a plantear sólo desde una
mirada técnica. aquí nos quedaríamos muy cortos en el alcance, sino que también decía algo
filosófico y social. Vamos a estar hablando:

 Qué la hace inteligente.?

 Qué puede hacer?
 y que no o por lo menos por ahora.
Luego nos vamos a meter. lleno en el mundo de los subcampos de la inteligencia artificial.

vamos a estar viendo algoritmos supervisados donde enseñamos al modelo con ejemplos y
también el de los no supervisados que van a descubrir patrones sin que le digamos qué es lo que
hay que buscar. insisto esto vamos a estar viéndolo desde una mirada teórica, pero también
implementando casos, ya sea de clasificación o de clustering.

en el siguiente paso en el siguiente abordaje. Vamos a subir un escalón y nos vamos a ir hacia un
mundo un poquito más profundo. El de Deep Learning y las redes neuronales. Vamos a ver cómo
esta tecnología se inspira en nuestro cerebro humano. y qué distintos tipos cxisten y a su vez, quć
problemas pueden resolver desde la clasificación de imágenes hasta traducir el idioma en tiempo
real.

Y sí. también vamos a estar explorando algunas de las herramientas actuales más conocidas, tales
como Chachi Pití o Dalí Chemin, entre otras que hoy existen en el mercado para que puedas ver
que ya se podemos hacer cosas sin muchas veces la necesidad de ser un experto.

también vamos a estar hablando sobre el procesamiento del lenguaje natural. isa, what's app
pueden interactuar con nosotros. Vamos a analizar cómo una máquina entiende el texto. detecta
un sentimiento, responde preguntas y hasta incluso escribe contenido, pero también vamos a
estar explorando otra área.
la de la televisión por computadora. Eso que dota a las máquinas con la capacidad de ver. Vas a
estar haciendo algunos ejercicios en torno a eso. y vamos a ver cómo justamente pueden detectar
objetos, procesar imágenes y construir un modelo de reconocimiento visual, el cual puede ser
aplicado al mundo real. Pero no todo va a ser técnico. Vamos a dedicar una parte muy importante
del curso a reflexionar sobre los aspectos éticos, sociales y legales de la inteligencia artificial. sea
con el trabajo, la creatividad o la autonomía humana en un mundo donde cada vez más cosas las
hace una máquina.

Esto lo vamos a estar trabajando en una estructura clara con contenido teórico, pero también
hablando de casos reales y actividades prácticas que nos van a llevar a poner manos a la obra. Así
que te invito a que me acompañes en este mundo. Dónde vamos a ir hablando. Insisto inteligencia
artificial, machine learning, cuestiones éticas y las distintas suramas que conforman a estas
tecnologías.

Hoy vamos a hablar de los distintos tipos de aprendizaje.

y cómo cada uno de ellos se aplica en el mundo real, desde la detección de fraude en un banco o
hasta la recomendación de productos en una plataforma de streaming, los algoritmos de
aprendizaje están presentes entre nosotros y en múltiples industrias y sectores, comencemos a
hablar de ello.

Así que sin más vueltas, como le decía Hoy vamos a estar hablando del aprendizaje automático. La
idea es entender qué es el aprendizaje automático, cómo implementar un modelo de machine
learning y también cuáles son los distintos tipos, ya que no es todo exactamente igual.

Pero la primer pregunta que tenemos que responder es qué es el aprendizaje automático. Y para
eso vamos a entenderlo de la siguiente manera aprendizaje automático también conocido como
Machine Learning, es un algoritmo que aprende de los datos. Es un algoritmo que va a generar
soluciones y estas soluciones pueden ser predicciones de clasificación regresivas o clusterizaciones

A ver profundicemos un poquito en estos conceptos que vengo diciendo. pensemos el siguiente
escenario. Yo puedo predecir quién va a abandonar mi compañia, mi empresa y quizás si tengo
cuatro o cinco personas dentro de la compañia sea un poco más simple.

Pero. Qué pasa cuando tengo 25030051000 colaboradores. y todos esos colaboradores. Tengo
multiplicidad de columnas de datos en los cuales pueden servir como un input para poder analizar.
Yo. Creo que ahí se complica un poquito más. Mira en este escenario donde tengo TO líneas que
dicen la edad, la distancia de la persona hacia la compañía. Si tiene que viajar frecuentemente su
estado civil. Bueno, son distintas variables que pueden servir como deja un concepto y me
espoileo predictoras al momento de predecir si una persona va a abandonar la compañía o no.
pero insisto, si esto crece en volumen seguro más complejo de realizar o el tiempo el que nos
llevaría probablemente cuando tengamos una conclusión ya la persona abandonó la compañía.

Entonces en eso se nos empieza a presentar esa necesidad de poder automatizar este tipo de
conclusiones. y cuándo utilizamos. Bueno. Cuándo vamos a utilizar machine learning o aprendizaje
automático cuando necesitamos encontrar patrones en los datos, también cuando
matemáticamente es insuficiente. Ahí se nos va a presentar una dificultad. Como Damian,
necesitamos tratar ese volumen de datos con cierta precisión matemática. Insisto hacerlo
manualmente se complejezaría. Y cuando trabajamos con muchísima cantidad de datos, se vuelve
un desafío más que importante. Por eso el trabajar con todo esto, si no lo podemos resolver de
forma banal, ya que insisto, necesitamos encontrar patrones sin un gran volumen de datos y de
forma que sea intratable matemáticamente, probablemente no encontramos en una situación
donde machine learning barra aprendizaje automático nos puede dar un gran soporte. y vuelvo a
hacer esa pregunta en cierta manera retórica son todos iguales los tipos de aprendizaje que
existen es todo lo mismo. Hay un gran paquete, una gran bolsa que encierra todo. Bueno, la
respuesta correcta es que no. va a existir el supervisado, el no supervisado y el por refuerzo.y en
esto vamos a empezar a extinguir qué valor nos aporta cada uno y qué soluciones podemos hacer.

para eso vamos a empezar a hablar del primer caso y el aprendizaje supervisado.

el aprendizaje supervisado. Nos vamos a encontrar un escenario donde los datos aprenden
justamente a partir de etiquetas. Diría que es uno de los más utilizados en la actualidad en este
tipo de aprendizaje, un modelo se entrena con datos etiquetados, es decir, datos donde ya
conocemos la respuesta esperada. Aquí hay algunas caracteristicas importantes a entender en
este tipo de modelos se utilizan datos etiquetados, se relaciona la variable de entrada, es decir,
cuando intentamos predecir clases

Es decir, si queda o se va, es una. No se una fruta, banana, manzana o peras. Es decir, tenemos
distintas clases, las cuales pueden ser mi clase y el tener dos clases o multiclase. como podría ser
reconocer una fruta siendo banana pera. Sandillas y en el caso de regresión, lo que vamos a buscar
es predecir un valor continuo. Bien, son dos escenarios completamente distintos. Por cjemplo, si
estamos hablando de un escenario donde encontramos Vamos a pensar en el siguiente caso
clasificación de correos electrónicos. Bueno, los filtros, por ejemplo, en plataformas como Gmail
funcionan con aprendizaje automático a partir de 1000000 de correos marcados como spam o
spam y el aprendizaje va a aprender a clasificar nuevas correos de manera automática.

En el caso de fraude en tarjetas de crédito es lo mismo. Tenemos un modelo de aprendizaje que

analiza transacciones y compara patrones con registros históricos para detectar un fraude, incluso
en tiempo real. En el caso de diagnóstico médico, algoritmos integrados con participan en este
tipo de modelos, :

imágenes médicas previas ya etiquetadas donde quizás se detectó una enfermedad

tranquilamente en detección de quizás una anomalia o un nodulo o un tumor en una imagen de
una radiografía. Bueno, entrenamos un modelo con todas esas imágenes donde ya existia, que esa
es una condición de este tipo y a partir de eso va a empezar a detectar patrones, reglas,
asociaciones en las imágenes que van a permitir que frente una imagen desconocida se pueda
detector eso tranquilamente. Motores de plataformas de recomendación como e-commerce que
podemos encontrar. Insisto en diría casi todas las plataformas que hoy existen Amazon Mercado
Libre, eBay cualquiera de ellas predicen qué producto podría interesarle al usuario basándose
tanto en compras previas de ese mismo usuario como de otros. En este escenario nos vamos a
encontrar con un poquito en la diferencia entre regresión y muchísimos tipos, pero quiero
profundizar clasificación. Hablamos de regresión como esos modelos que van a estar generando
una salida continua.

Por ejemplo, si estamos intentando predecir algo climático en una regresión, estaríamos

prediciendo cuál va a ser la temperatura. Ahora, si estamos hablando de clasificación

tranquilamente la salida podría ser hace calor o hace frio. No vamos a estar hablando de un
número continuo, un valor especifico, sino dos clases, en este caso en particular, hace calor o hace
frio. Nada más que eso.

Sigamos avanzando un poquito, entonces en este concepto. Si pensamos en algoritmos, hagamos

un doble clic en la clasificación. En la clasificación. Vamos a tener un set de variables de entrada,
esos features o variables predictoras que nos van a ayudar a entender que esa variable target en el
ejemplo que tengo aquí. Fljense que actúan como variables preyectoras dos la altura y el peso y en
base a las reglas que se encuentran de asociación entre altura y peso, podríanos llegar a predecir,
el género de una persona. insisto, es un ejemplo totalmente, eh testimonial para hablar de y
entender con un caso de que existen predictoras que en base a cómo se comportan en lo histórico
con 11 teatos que conocemos justarnente en esa combinación de altura y peso.

Cuál es el género? Luego hay muchísimas cuestiones que podriamos profundizar, pero para poder
entender este primer paso, los invito a que podamos abraernos y entender que existen variables
proyectoras que nos ayudan a predecir esa variable target. ¿Cómo funciona esto? Bueno, vamos a
setear,

Vamos a coleccionar. Vamos a agrupar. a obtener un set de datos de entrenamiento. Insisto,

donde vamos a tener, si fuera el caso del género de la persona,variable peso variable altura y
etiquetados ya si era hombre, mujer, hombre, mujer, entrenamos el clasificador con ese set de
datos y luego le vamos a pasar solamente altura y peso y nuestro modelo nos va a devolver esa
variable target que estábamos esperando.

en el caso de la regresión cambia, ya que como vimos recién, la variable de salida es una variable
continua, un número en este caso, aquílo que vamos a buscar es predecir un valor de una variable
target a partir de otras variables también features, pero en este caso, lo que buscamos es reducir
o minimizar la distancia entre el valor predicho y el valor real.

En este caso, insisto en lo que vamos a estar prediciendo es un valor continuo. entre lo que es la
predicción y en este caso, si trabaja de otra forma, vamos a tener features de entrada que van a
trabajar en ese módulo que va a ser la predicción y luego se lo cruza con data real y en ese punto
surge el error. este error luego va a servir para ir haciendo ajustes al modelo, ya se ha incorporar
nuevas variables, transformarlas o hacer distintos tipo de tareas para poder mejorar esas
predicciones e insisto, minimizar ese gap que existe y el error. en este caso, podríamos suponer
que fueran horas de golf en este caso, vamos a tener también variables que van a actuar como
feature centrado predictoras uno variable target. en este caso, fíjense que tenemos distintas
condiciones climáticas, ya sea por cómo está el clima, la temperatura, la humedad o si existe o no
viento y en base a eso, la cantidad de horas que se jugaron de cualquier deporte,por ejemplo.
Entonces. Fijense si el clima está Iluvioso, la temperatura es alta y la humedad es alta, pero no hay
viento. Bueno, aquí no se habla de que hay 26 horas de juego.

Ahora. Si el clima es lluvioso, también la temperatura es alta, pero hay viento. Bueno, estamos
bajando o en este caso estamos subiendo. Perdón a 30 horas de juego. Entonces en la
combinación de estas reglas, vamos a ir construyendo en este caso lo que tenemos es un árbol y
fijense que la primera variable que corta es el tipo climático,

Es decir, si está soleado, nublado o hay lluvia. Veamos qué pasa. Sí está lluvioso. Aquí Raimi
importa la temperatura. O sea que si está templado, hace calor o frío, cambia la cantidad de horas
de juegos radicalmente.

Esto lo hace en base al comportamiento y combinación de las variables que tenemos aquí. Por
ejemplo, si está lluvioso, fijense en estos dos casos donde la temperatura era cálida. vemos que
hay 26 o 30 horas de juego. pero vamos a ver qué pasa si encontramos otro caso Iluvioso como el
que vemos aquí y está templado. y vemos que la cantidad de horas de juegos son 36. son un
poquito más altas que los casos anteriores. Aquí tenemos otro lluvioso con frío y vemos que en
este caso las horas suben todavía y mucho más en este caso de aquí, donde vemos que si la
temperatura es templada, se va a 48 horas. Entonces, como vemos el primer corte lo da
justamente por el tipo de clima y luego por la temperatura. Ahora, si el día está nublado oy,
perdón, soleado, lo importante es si hay viento porque es lo que termina siendo la división.
Entonces en la combinación de variables nos va a terminar dando ese valor para decir que es la la
cantidad de horas a jugar. Insisto en este caso, fíjense que no estamos hablando. Si se juega o no
se juega, sino de una variable continua, que son la cantidad de horas de juego.

y esto se realiza a través de un montón de algoritmos y hoy quiero hablarles de los más comunes
dentro de lo supervisado, nos vamos a encontrar regresión lineal. Regresión logistica, árboles de
decisión, bosques aleatorios o randomfores vecinos más cercanos o Gray en Booking. Pero qué es
todo esto? Què hay detrás de todo esto? Profundicicemos un poco. La regresión lineal yacia simple
o múltiple, es uno de los algoritmos más comunes y más utilizados y pertenece al mundo de los
supervisados, va a establecer una relación lincal justamente entre una variable de salida o variable
dependiente uno o más variables de entrada. Esas variables independientes. El objetivo
básicamente es encontrar la línea recta que mejor se ajuste a los datos y esa línea recta se va a
determinar minimizando la suma de los cuadrados de las diferencias entre los valores reales y los
valores predichos por la línea recta. El método de los mínimos cuadrados. Insisto, vamos a buscar
la relación que existe entre justamente esa variable dependiente de todas las independientes

que van a actuar como predictoras. Otro caso es la regresión logistica, un algoritmo de
clasificación supervisada donde se predice la probabilidad de pertenecer a una clase
[Link] una función logistica también conocida como Smoide, y esto permite transformar
la combinación lincal de algunos factores, es decir, de esas variables independientes en una
probabilidad entre el rango de cero y uno.

Esto va a ajustar los coeficientes de la función, minimizando el error entre las probabilidades
predichas y las etiquetas reales. Por ejemplo, si una persona se queda o se va de la compañía
vamos a decir 60% de probabilidad de que esa persona se vaya.

Una vez entrenado un modelo, se establece un umbral de probabilidad para clasificar las nuevas
instancias en la clase, donde un valor por encima de ese lumbrar se asigna una clase igual a otra,
es decir, si me da que el 60 Bueno. Ese es el lumbrar. Es decir, si es mayor a 0. 60, determinarnos
que se va si es menor a 060, determinamos que se queda esta función logística bien esta regresión
logistica a través de la función signde va a ser una relación entre cada uno de los elementos de los
predictores para luego darme las salida si pertenece a una clase o a la otra, Insisto, y solo lo ya
ajustando en base al entrenamiento que se da con set de datos ya conocidos para luego si poder
trabajar con lo desconocido o un set de
datos que aún no conocemos. Otra gran ejemplo son los árboles de decisión, algo que hace unos
minutos. anticipé, esto se puede utilizar tanto en clasificación como en regres y cada todo es una
característica.

Cada rama es una regla de decisión, va a seleccionar la caracteristica más relevante en cada nodo
para dividir el conjunto de datos, como vernos aqui, en el caso de la cantidad de horas de juego
era el tipo de clima. El proceso de selección de las caracteristicas va a ir seleccionando

justamente una caracteristica óptima, que básicamente lo que hacen es evaluar la pureza de los
subconjuntos resultantes después de la división. Es decir, qué tan puros son cada uno de esas
subconjuntos. Hay un riesgo en el caso de los árboles, que es el sobreajuste, el overfitting, es decir,
que se adapte demasiado a los datos de entrenamiento. no sea generalista y que luego, cuando
intentamos implementarlo. :ueno, la realidad es que cuando pasarnos data conocida lo va a hacer
bien, pero cuando le pasamos caso no conocidos y quizás haga un poquito de agua o no sea tan
efectivo, si bien se puede trabajar y mejorar la precisión es un riesgo que existe en este tipo de
modelos.

Otro caso es el de N. Neve es un algoritmo de aprendizaje supervisado utilizado para problemas de

clasificación, y se basa en el teorema de Valles.y asume la independencia condicional eritre las
características. Por eso se le dice ingenuo. Es un algoritmo con un enfoque probabilistico para
predecir la clase de una instancia, dado un conjunto de características y se calcula la probabilidad
de pertenecer a cada clase seleccionando justamente la clase con la probabilidad más alta.

Para entrenar este tipo de modelos, se le estima la probabilidad de pertenecer a cada

característica dada a cada una utilizando un clase. y las probabilidades condicionales de los
conjuntos de entrenamiento. este algoritmo se le dice ingenuo, como recién lo mencionaba,
porque asume que todas las

Las características utilizadas para la clasificación son independientes, lo cual rara vez es cierto en la
práctica, es raro que todas justamente sean independientes, pero aún así funciona muy, muy bien.

Básicamente el teorema de Valle es lo que nos propone es actualizar una probabilidad basada en
una nueva evidencia y lo que va a terminar funcionando es de la siguiente manera Si parte de un
conjunto de datos etiquetados dataset, por ejemplo, de correos electrónicos, spam y no spam y se
va a calcular la probabilidad de cada clase. Si el 40% de los correos son spam y el 60 no lo son,
estas van a ser las probabilidades previas. Luego sc va a calcular la probabilidad condicional, es
decir, se mide con qué frecuencia aparecen ciertas palabras en correos. Por ejemplo, de spam
versus los no spam multiplicar la probabilidad de cada característica dentro de cada clase.
 Como se asume independencia, se van a multiplicar todas las probabilidades condicionales y se va
a seleccionar la clase con la probabilidad más alta. Si el correo tiene palabras que coinciden más
con spam que con los no spam, se va a terminar clasificando como spam. Es rápido. es eficiente.
incluso con grandes volúmenes de datos y funciona muy bien también cuando quizás tenemos
poquitos datos de entrenamiento. Es robusto frente a ratos ruidosos datos, quizás con
comportamientos atípicos y funciona muy bien en problemas de clasificación de texto y también
es fácil de interpretar.

Neve es un gran algoritmo. Es simple, pero sumamente potente, es poderoso y muy utilizado en
problemas de clasificación, especialmente cuando estamos hablando de problemas de lenguaje
natural. Si vamos avanzando. Otro.o algoritmos muy utilizado es el de KNN o vecinos cercanos Knn
es un algoritmo de aprendizaje supervisado tanto para problemas de clasificación como de
regresión. es un algoritmo que utiliza la proximidad de los datos en el espacio de características y
para la clasificación KNN realiza una votación entre los vecinos cercanos para determinar la clase
más frecuente y para los de regresión hace un promedio entre las instancias vecinas para predecir
el valor final de esa variable objetivo. el valor K. y justamente en en de vecinos cercanos. es un
parámetro sumamente importante. Es un parámetro donde lo que vamos a hacer es determinar
esos conjuntos. Un valor está muy, muy pequeñito. Captura mejor, quizás variaciones locales, es
decir, puntos muy cercanos, pero es mucho más sensible al ruido. a esos datos anómalos, a esos o
layers, esos valores fuera de rango que existen en la data uno valor cam mucho más grande,
suaviza las decisiones, pero quizás pierde cierta sensibilidad o detalle local. es simple, pero es algo
costoso en términos de procesamiento.

. Este tipo de [Link] gran caso es gradin Busting Graadan Busting es un algoritmo, diría de
los más populares que nos podemos encontrar implementado en muchísimas soluciones,
generalmente en pruebas de rendimiento y comparación de distintos algoritmos cre Busting suele
surgir como un ganador.

 se usa tanto para regresión como para clasificación. es un modelo el cual

construye un modelo fuerte combinando múltiples modelos más débiles de manera
secuencial.

es un algoritmo que comienza entrenando un modelo inicial para predecir esa variable objetivo,
pero luego se construyen modelos adicionales y tirativamente para corregir los errores de los
modelos anteriores y en cada iteración se ajustan parámetros en el modelo agregado, utilizando
un algoritmo de optimización que minimiza ese error residual justamente entre las proyecciones
acumulativas y las etiquetas reales.
Captura muy bien relaciones complejas y es ro. pero también es costoso en términos de
procesamiento. insisto, es un modelo que suele performar muy bien, que suele ser de los
ganadores cuando estamos hablando de competencias entre modelos en cuanto a lo que es
precisión, ya que vuelvo a decir, se puede utilizar tanto para clasificación y regresión y su
popularidad radica justamente en esa capacidad de mejorar el rendimiento de los modelos al
construir una serie de, por ejemplo, árboles de decisión débiles y combinarlos en un modelo más
fuerte.

Lo que hace acá es entrenar un primer modelo, como les decía para predecir el resultado. pero
obviamente en esa primera iteración va a cometer errores. Luego mide de la diferencia entre la
predicción y la etiqueta verdadera y vuelve a generar otro árbol para predecir el resultado. En este
caso, en esas iteraciones donde va repetitiendo todo el tiempo de manera sucesiva, corrigiendo
los errores, generando una predicción final, la cual es la suma ponderada de todo lo anterior. En
este caso va a construir modelos de forma aditiva y secuencial, enfocándose en minimizar esos
errores residuales en cada una de las operaciones. utilizando una tecnología del descenso del
gradiente para poder optimizar la función de pérdida. También junto a un problema donde quizás
existen algunas relaciones con Blejas.

En este caso, vamos a cruzar hacia la barrera del no supervisado. En el caso del no supervisado.
Muchas veces pueden ser útiles para una primera aproximación. En estos casos, este tipo de
modelos no necesitan etiquetas previas.

Es decir, no necesitamos conocer una variable target y se van a utilizar medidas de similitud para
determinar el parecido, por ejemplo, entre elementos de grupos, en un caso de clustering y
básicamente, el objetivo es construir en si fuera un ejemplo de castering clusters con altas
similitud entre elementos y baja similitud con los otros clusteras. El aprendizaje no supervisado es
un tipo de aprendizaje en el que los modelos trabajan.

Bueno a insistir sin etiquetas, a diferencia del supervisado donde los nuevos descubrimientos sin
una variable objetivo definida, no requiere datos etiquetados, descubre patrones ocultos en los
datos. Se puede utilizar tanto para segmentación, reducción de dimensionalidad o detección de
anomalías y permite explorar los datos y encontrar relaciones sin la necesidad de la intervención
humana. Hablemos un poquito de los casos.

Entonces hemos mencionado el cluster, el clustering es donde vamos a agrupar los datos en base a
características o categorías basados en similitudes no se define previamente. Cuántos grupos hay
ni que los distingue. Por ejemplo, segmentar clientes en marketing. Pensemos otro ejemplo.
Vamos a hablar de PCA. El análisis de componentes principales. Es un tipo de algoritmo de
aprendizaje no supervisado que se utiliza para reducir la dimensionalidad en el aprendizaje
automático. PSA se utiliza como técnica para reducir la cantidad de dimensiones que tenemos,
permite simplificar los datos eliminando redundancias sin perder información relevante. Se usa
muchas veces en visualización de datos donde quizás tenemos muchas variables, pero llevarlo a un
eje de dos o tres dimensiones es imposible.

Entonces ahí es un gran aliado pese a para poder comprimir información o incluso cuando
tenemos alta dimensionalidad, por ejemplo, el reconocer un arrostro, es decir, el reconocimiento
facial. hay que reducir eso y ahí es sumamente útil dentro de los algoritmos más comunes. nos
vamos a encontrar a camins de Bescan o PCA. у hablemos de Camins, particularmente una diría de
las estrellas del mundo del no supervisado Camins lo que va a hacer es dividir los datos en K
grupos, una variable que

hay ciertas metodologías para determinar cuál es ese. ideal de grupos. Cada grupo va a estar
representado con un centroide, como lo vemos en la imagen y los puntos se van a asignar a ese
centro más cercano. Viterar de forma continua hasta que no haya más movimiento. Fíjense,
tenemos un inicio, determinamos un número de grupos K. A partir de ahí se determina un
centroide. Esa determinación establece la distancia y a qué grupo a qué cluster va a pertenecer
cada punto y luego va a evaluar si se mueve algún [Link] se mueve algún punto, determina
nuevamente el centroide, vuelve a establecer las relaciones en base a la distancia, agrupa y se fija.
Se movió algo versus la iteración anterior. Sí, ok. Volvemos a asignar Croide así hasta que no se
mueva ningún objeto.

Fíjense que aquí en la oración se van corriendo hasta que en un momento no se mueve más. de o
cambia de color. Ninguno de los puntitos. y ahí se da la finalización de las iteraciones obteniendo
esos grupos que podrían ser tranquilamente segmentación de clientes, reconocimiento de
patrones. Yo los he utilizado, por ejemplo, para agrupar clientes y luego poder hacer comunas
queiones de marketing de una manera más personalizada. Sigamos avanzando en el ejemplo de
los algoritmos no supervisados y hablemos de Decan. el cual identifica regiones densas de puntos
y asigna puntos cercanos a un mismo cluster, generando regiones menos densas y puntos
considerados ruido. el algoritmo utiliza dos parámetros principales epsilon, el cual define la
distancia máxima entre dos puntos para que sean considerados vecinos y mínimos puntos, el cual
establece el número mínimo de puntos para que se considere que hay un grupo, que era un
cluster.

comienza seleccionando un punto aleatorio no visitado y si tiene suficientes vecinos cercanos,

según los parámetros.

Epsilon y cantidad mínima de puntos. Formo un nuevo cluster. Luego se expande iterativamente,
añadiendo esos vecinos o puntos cercanos y en base a eso va formando cluster conectados.
Muchas veces, en este caso podemos encontrar diferentes formas o tamaños y es resistente a
ruidos o esos valores atípicos que muchas veces nos podemos encontrar. Básicamente, lo que va a
hacer es agrupar puntos que están densamente conectados y también nos ayuda a eliminar el
ruido idea del para esos conjuntos de datos con forma. irregulares y se puede utilizar para análisis
de fraude o detección, por ejemplo, de algún caso fraudulento. o sea, que estaría como ruido o
incluso también para analizar redes sociales. Sigamos avanzando y otro caso que nos vamos a
encontrar es PC a uno de los que hablaba, que es justamente de reducción de dimensionalidad.
Aquí lo que va a hacer es reducir la cantidad de variables, manteniendo la mayor cantidad de
información posible.

En este caso, lo vamos a utilizar incluso. para visualizar datos complejos en espacios de menor
dimensión, todo esto lo podemos utilizar. Insisto para clustering para agrupar clientes en base a
sus hábitos de compra o personalizar campañas, agrupar publicaciones en temas, por ejemplo,
sino la necesidad de etiquetarlos previamente si fuera análisis de redes sociales o detección de
fraudes, como también podemos trabajar en reducción de dimensionalidad para poder resumir
muchas variables y poder graficarlo o ajudar y optimizar como nuestros algoritmos pueden
trabajar.

En conclusiones, tenemos dos universos supervisado y no supervisado. El supervisado se entrena

con datos etiquetados donde las salida esperada es conocida. Vamos a buscar relaciones entre
variables basándonos en ejemplos previos. y es ideal para tareas tanto de clasificación como de
regresión y requiere grandes volúmenes de datos con etiquetas precisas. en la otra esquina, en el
otra punta del rin tenemos al no supervisado. No requiere datos etiquetados. detecta patrones.
ocultos en los datos sin la necesidad de una intervención humana útil para segmentación de
clientes o análisis exploratorio y se basa tanto en agrupamiento como en la reducción de
dimensionalidad. ya que podemos ver en qué caso aplicar si necesitamos.

Clasificar si necesitamos hacer la predicción de una variable continua con una regresión o
necesitamos entender cómo se comportan nuestros clientes sin etiquetas, aplicando un clustering.
El entre comprender realmente donde cada uno destos puede aportar valor va ayudar a unir la
necesidad de negocio a un algoritmo que realmente maximice el valor que podemos dar a través
de la implementación de inteligencia artificial. Espero que te haya servido este material que vayas
identificando dónde poder implementar este tipo de soluciones y nos vemos en próximos vídeos.
Gracias.

¿Qué es la Visión por Computadora?

 La Visión por Computadora (Computer Vision) es una rama de la
Inteligencia Artificial que permite a las máquinas interpretar, analizar y
entender imágenes, videos o contenido visual, actuando como un "ojo
digital". Esta tecnología no solo observa, sino que toma decisiones a
partir de lo que ve.

🧠 Aplicaciones actuales

 🚗 Autos autónomos que reconocen señales de tránsito.

 🏥 Detección temprana de enfermedades mediante imágenes médicas.

 🌾 Detección de plagas en cultivos agrícolas.

 🎨 Generación de arte a partir de imágenes.

 📸 Reconocimiento facial en seguridad y smartphones.

🔄 Flujo de Trabajo en Visión por

Computadora

1. Preprocesamiento
 Limpieza de la imagen.
 Ajuste de brillo, contraste.
 Cambio de tamaño (escalado).
 Conversión a escala de grises.

2. Selección de Áreas de Interés

 Detección de objetos ♂️🚗.
 Eliminación de fondo.
 Extracción de características (formas, bordes).
 Segmentación de zonas relevantes.

3. Procesamiento
 Reconocimiento de lo que se ve (objeto, rostro, movimiento).
 Seguimiento de objetos 🎯.
 Comparación con patrones conocidos.

4. Decisión
 Envío de alertas o acciones automatizadas 🚨.
 Activación de procesos.
 Clasificación de elementos detectados.

🧪 Filtros en imágenes
Los filtros (o kernels) permiten resaltar o modificar aspectos de una
imagen. Algunos ejemplos:
Función
Filtro
principal

Suaviza
bordes,
🔍 Desenfoque
reduce
(Blur)
detalles no
relevantes

Resalta
🔎 Nitidez detalles y
colores

Ajusta brillo,
🖼️Corrección
tono,
de color
saturación

Enfatiza
contornos
📐 Detección
para
de bordes
reconocimient
o de formas

Elimina
📉 Reducción interferencias
de ruido digitales para
claridad
Los filtros se aplican mediante una operación llamada convolución, que
recorre la imagen con una pequeña matriz (el kernel) para crear un
nuevo mapa de características (feature map).

🧬 Redes Neuronales Convolucionales (CNN)

Son redes diseñadas especialmente para trabajar con imágenes. Su
arquitectura se compone de:

 🔁 Convolución: Aplicación de filtros para extraer características clave.

 🧩 Pooling: Reducción del tamaño del mapa de características,
manteniendo lo importante.

 🎯 Capa densa: Clasificación final.

 📊 Softmax: Función que asigna probabilidades a las clases posibles.

Estas redes aprenden automáticamente a detectar formas, bordes,

patrones y estructuras relevantes de una imagen.

📏 Conceptos clave

 Padding: Añade ceros en los bordes para evitar reducción del tamaño
de la imagen.

 Stride: Determina cuánto se mueve el filtro por cada paso.

 Pooling: Reduce tamaño conservando lo esencial (puede ser Max, Avg

o Min pooling).

 Softmax: Convierte los resultados en probabilidades para cada clase.

🧠 Mapa conceptual de Visión por

Computadora
Visión por Computadora
│
├── Preprocesamiento
│ ├── Escalado
│ ├── Conversión de color
│ └── Reducción de ruido
│
├── Selección de áreas de interés
│ ├── Detección de objetos
│ ├── Segmentación
│ └── Eliminación de fondo
│
├── Procesamiento
│ ├── Reconocimiento de objetos
│ ├── Seguimiento
│ └── Comparación de patrones
│
└── Decisión
├── Alerta
├── Clasificación
└── Activación de procesos