Universidad Nacional
2021
Ingeniería en sistemas de información
Curso: minería de datos
Profesor: Erick López
Estudiante: Adan Rivera Sanchez
Cedula: 11454821
Universidad Nacional
2021
Justificación del estudio.
Investigar y conocer el uso práctico, teórico del “machine learning” para aplicaciones en la
sociedad. Tanto en el desarrollo de software como la minería de datos en la actualidad
para el aprovechamiento de la información.
Objetivos:
Universidad Nacional
2021
Aprender sobre el machine learning.
Conocer las definiciones existentes del machine learning.
Investigar los usos prácticos que se realizan.
Marco teórico:
¿Qué es Machile Learning (ML)?
Universidad Nacional
2021
El machine Learning (aprendizaje automático) es un método de análisis de datos que
enseña a los sistemas a hacer lo que resulta natural para las personas: aprender de la
experiencia. Los algoritmos de aprendizaje automático emplean métodos de cálculo para
“aprender” información directamente de los datos sin depender de una ecuación
predeterminada como modelo.
Los algoritmos mejoran su rendimiento de forma adaptativa a medida que aumenta el
número de muestras disponibles para el aprendizaje. (machine learning, s.f.)
Los algoritmos de Machine Learning encuentran patrones naturales en los datos que
generan conocimiento y contribuyen a la toma de decisiones y a realizar predicciones.
Universidad Nacional
2021
Que pueden ser utilizadas a diario para tomar decisiones cruciales como, por ejemplo:
diagnósticos médicos, trading de acciones, previsión de la carga energética, etc. Por
ejemplo, los sitios multimedia confían en el aprendizaje automático para cribar millones de
opciones con objeto de ofrecerle recomendaciones sobre canciones o películas. Los
minoristas lo utilizan para obtener información sobre el comportamiento de compra de sus
clientes.
Se puede aplicar el uso de Machine Learning cuando se tiene una tarea o un problema
complejo que impliquen un volumen alto de datos y muchas variables, pero no se
disponga de ninguna fórmula o ecuación.
El aprendizaje automático emplea dos tipos de técnicas: el aprendizaje supervisado,
que entrena un modelo con datos de entrada y salida conocidos para que pueda predecir
salidas futuras, y el aprendizaje no supervisado, que encuentra patrones ocultos o
estructuras intrínsecas en los datos de entrada.
Aprendizaje supervisado
El aprendizaje automático supervisado crea un modelo que realiza predicciones en
función de las pruebas en presencia de una incertidumbre. Un algoritmo de aprendizaje
supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas para
estos datos (salidas) y entrena un modelo con objeto de generar predicciones razonables
como respuesta a datos nuevos. Utilice el aprendizaje supervisado si tiene datos
conocidos para la salida que está intentando predecir.
El aprendizaje supervisado emplea técnicas de clasificación y regresión para desarrollar
modelos predictivos.
Las técnicas de clasificación predicen respuestas discretas; por ejemplo, si un correo
electrónico es legítimo o es spam, o bien si un tumor es cancerígeno o benigno. Los
Universidad Nacional
2021
modelos de clasificación organizan los datos de entrada en categorías. Las aplicaciones
más habituales son las imágenes médicas, el reconocimiento de voz y la calificación
crediticia.
Utilice la clasificación si sus datos se pueden etiquetar, categorizar o dividir en grupos o
clases concretos. Por ejemplo, las aplicaciones para el reconocimiento de la escritura
emplean la clasificación para reconocer letras y números. En el procesamiento de
imágenes y la visión artificial, se emplean técnicas de reconocimiento de patrones sin
supervisión para la detección de objetos y la segmentación de imágenes. (machine-
learning, s.f.)
Aprendizaje no supervisado
El aprendizaje no supervisado halla patrones ocultos o estructuras intrínsecas en los
datos. Se emplea para inferir información a partir de conjuntos de datos que constan de
datos de entrada sin respuestas etiquetadas.
El clustering es la técnica de aprendizaje no supervisado más común. Se emplea para el
análisis de datos exploratorio, con objeto de encontrar patrones o agrupaciones ocultos en
los datos. Entre las aplicaciones del análisis de clusters están el análisis de secuencias
genéticas, la investigación de mercados y el reconocimiento de objetos. (machine-
learning, s.f.)
Relación entre ML, AI y DL
Lo que diferencia a la Inteligencia Artificial de otros programas de los computadores es
que no hay que programarla específicamente para cada escenario. Se le puede enseñar
(Machine Learning, aprendizaje automático), pero también puede aprender por sí mismo
(Deep Learning). Si bien existen múltiples variantes de cada uno, se pueden definir de
manera general de esta forma:
Universidad Nacional
2021
IA (Inteligencia Artificial): una máquina que es capaz de imitar el razonamiento humano.
(diferencias-ia-deep-machine-learning, 2020)
ML (Machine Learning): un subconjunto de Inteligencia Artificial donde las personas
«entrenan» a las máquinas para reconocer patrones basados en datos y hacer sus
predicciones. (diferencias-ia-deep-machine-learning, 2020)
DL (Deep Learning): un subconjunto de ML en el que la máquina es capaz de razonar y
sacar sus propias conclusiones, aprendiendo por sí misma. (diferencias-ia-deep-machine-
learning, 2020)
¿Qué es Inteligencia Artificial (AI)?
En ciencias de la computación, el término inteligencia artificial (IA) se refiere a cualquier
inteligencia similar a la humana exhibida por una computadora, robot u otra máquina. En
el uso popular, la inteligencia artificial se refiere a la capacidad de una computadora o
máquina para imitar las capacidades de la mente humana: aprender de ejemplos y
experiencias, reconocer objetos, comprender y responder al lenguaje, tomar decisiones,
resolver problemas y combinar estos y otros. capacidades para realizar funciones que un
ser humano podría realizar, como saludar a un huésped del hotel o conducir un automóvil.
(what-is-machine-learning, s.f.)
¿Qué es Aprendizaje profundo (Deep Learning)?
Los modelos de aprendizaje profundo se basan en redes neuronales profundas: redes
neuronales con múltiples capas ocultas, cada una de las cuales refina aún más las
conclusiones de la capa anterior. Este movimiento de cálculos a través de las capas
ocultas hasta la capa de salida se denomina propagación hacia adelante.
Universidad Nacional
2021
Procesos y etapas de ML
Universidad Nacional
2021
Recolectar datos:
El primer paso en el proceso de Machine Learning es la recopilación de datos. Estos
pueden ser obtenidos de diferentes fuentes como, por ejemplo: Sitios Web, bases de
datos o sensores.
La cantidad de opciones es infinita. Para ahorrar tiempo y esfuerzo, se puede n utilizar los
datos disponibles públicamente.
Prepare los datos de entrada
El segundo paso en el proceso de Machine Learning es la preparación de datos. Una vez
que tenga los datos, debe asegurarse de que estén en un formato utilizable para el
lenguaje deseado.
Analizar los datos de entrada
El tercer paso en el proceso de aprendizaje automático es analizar los datos, esto implica
validar que la información en los pasos anteriores sea aprovechables y usables en lo
posible se busca depurar la información para que no contenga valores vacíos.
Alguna participación humana
El cuarto paso en el proceso de aprendizaje automático es la participación humana. Si
está trabajando con un sistema de producción y sabe conoce como deben verse los datos
o si confía en la fuente, puede omitir este paso.
La idea general de este paso es aprovechar el recurso y no desperdiciarlo para conocer
información existente.
Universidad Nacional
2021
Entrenamiento del algoritmo
El quinto paso en el proceso de aprendizaje automático es entrenar el algoritmo con
datos. Aquí es donde tiene lugar el aprendizaje automático. Este paso y el siguiente son
los algoritmos principales, según el algoritmo. Usted introduce datos limpios en el
algoritmo desde los dos primeros pasos y extrae conocimiento o información.
A menudo se almacena este conocimiento en un formato que una máquina puede utilizar
fácilmente para los dos pasos siguientes (Bases de datos u otros similares). En el caso
del aprendizaje no supervisado, no hay ningún paso de formación porque no tiene un
valor objetivo. Todo se usa en el siguiente paso.
Prueba el algoritmo
En este paso del proceso de aprendizaje automático, se utiliza la información aprendida
en los pasos anteriores. Cuando evalúa un algoritmo, lo prueba para ver qué tan bien
funciona. En el caso del aprendizaje supervisado, tiene algunos valores conocidos que
puede utilizar para evaluar el algoritmo.
En el aprendizaje no supervisado, es posible que deba utilizar otras métricas para medir
el éxito. De cualquier manera, si no está satisfecho, puede volver al paso 4, cambiar
algunas cosas e intentar probar nuevamente. A menudo, recopilar o preparar los datos
puede haber sido problemático y deberá volver al paso 1.
Universidad Nacional
2021
Usar el modelo
El último paso en el proceso de Machine Learning es utilizar el modelo de manera
práctica. Aquí crea un programa real para realizar una tarea y una vez más ver si todos
los pasos anteriores funcionaron como se esperaba. Es posible que encuentre nuevos
datos y se debe a los pasos anteriores (machine-learning-workflow-process-steps, s.f.)
Humanos vrs AI
¿Qué es la inteligencia Humana?
La inteligencia humana se refiere a la capacidad intelectual de los seres humanos que nos
permite pensar, aprender de diferentes experiencias, comprender conceptos complejos,
aplicar la lógica y la razón, resolver problemas matemáticos, reconocer patrones, hacer
inferencias y decisiones, retener información y comunicarnos con otros seres humanos.
Lo que hace que la inteligencia humana sea única es que está respaldada por emociones
abstractas como la autoconciencia, la pasión y la motivación que permiten a los humanos
realizar tareas cognitivas complejas. (ai-vs-human-intelligence, 2020)
Diferencias entre inteligencia artificial e inteligencia humana Inteligencia
El procesamiento de la información realizado por las computadoras tiende a ser mayor
que el del ser humano, logrando que ellas puedan contener y analizar volúmenes más
grandes, en menor tiempo del que un ser humano podría hacerlo.
Tomando decisiones
Universidad Nacional
2021
En la toma de decisiones, la IA es muy analítica, ya que evalúa basándose en datos
estrictamente recopilados. Sin embargo, los juicios de los humanos pueden verse
afectados por rasgos individuales, como estigmas o creencias.
Múltiples roles
El conocimiento humano respalda la misión multifuncional, como lo demuestran las
funciones separadas y simultáneas, mientras que la IA puede realizar menos tareas solo
cuando una máquina puede aprender las tareas una por una logrando un mejor
rendimiento.
Interacción social Como seres sociales,
Los seres humanos pueden procesar el conocimiento abstracto, volverse seguras de sí
mismas y sensibles a los sentimientos de los demás y pueden interactuar mucho mejor.
Por otro lado, la IA no ha desarrollado su capacidad para recopilar valiosos conocimientos
sociales y emocionales.
Naturaleza
Mientras que la inteligencia humana tiene como objetivo adaptarse a nuevos entornos
mediante la utilización de una combinación de procesos cognitivos, la inteligencia artificial
tiene como objetivo construir máquinas que puedan imitar el comportamiento humano y
realizar acciones similares a las humanas. (impact-of-artificial-intelligence-vs-humans-and-
what-the-future-holds, 2021)
Poder de aprendizaje
El ser puede aprender de sucesos y experiencias que ha ido recopilando, “Se trata de
aprender de los errores cometidos mediante un enfoque de prueba y error a lo largo de la
vida”. El pensamiento y el comportamiento inteligentes son la base de la inteligencia
Universidad Nacional
2021
humana. Sin embargo, la inteligencia artificial se queda atrás en este sentido: las
máquinas no pueden pensar.
Pueden aprender de los datos y mediante el entrenamiento continuo, pero nunca podrán
lograr el proceso de pensamiento exclusivo de los humanos. Si bien los sistemas
impulsados por IA pueden realizar tareas específicas bastante bien, pueden tardar años
en aprender un conjunto de funciones completamente diferente para una nueva área de
aplicación.
Aplicaciones y casos.
Como se ha dicho anteriormente el uso de la inteligencia artificial a tenido un auge y uso
en diferentes medios en la actualidad tanto que abarcan casi todas las ramas prácticas y
teóricas.
Como pueden ser las siguientes:
Reconocimiento de texto: es una IA, que permite convertir el dialogo hablado de las
personas y convertirlo en texto digitalizado.
Procesamiento de lenguaje natural (NLP):
El procesamiento del lenguaje natural permite a un sistema computacional interpretar el
texto o dialogo de una persona para ser procesado, un ejemplo de esto es Alexa, Siri o
Cortana.
Reconocimiento de imágenes:
Esto permite reconocer objetos, lugares, texto u otros elementos a partir de imágenes
dando como resultado la detección de estos.
Universidad Nacional
2021
Recomendaciones en tiempo real:
Permite a las organizaciones dar recomendaciones sobre los patrones existentes, pueden
ser por ejemplo las tiendas de mayoreo en qué momento mejorar los precios o hacer
pedidos.
Detección de virus o spam:
Permite a través de redes neuronales complejas detectar patrones de comportamiento
para lograr prevenir u neutralizar los ataques provenientes.
Tecnología de autopiloto:
Actualmente la tecnología de autopiloto utiliza una gran cantidad de información (GPS,
SENSORES y similares) para poder desplazar el vehículo de un punto a otro, logrando
prevenir colisiones, mejora de consumo entre otros. (what-is-machine-learning, s.f.)
Conclusiones:
Se logra aprender y apreciar los conocimientos básicos del machine learning aplicados a
la informática, destacando el hecho que el mismo a estado presente ya hace varios años
y su aplicación tuvo un auge mayor con la capacidad de procesamiento y almacenaje de
la información.
Se ha visto el incremento de su aplicación para obtener información relevante en el área
médica, informática y financiera permitiendo conocer u obtener resultados relevantes que
permiten aumentar su uso a otras ramas existentes donde la información es apreciable e
usable.
Universidad Nacional
2021
Bibliografía
ai-vs-human-intelligence. (15 de 09 de 2020). Obtenido de upgrad:
[Link]
diferencias-ia-deep-machine-learning. (08 de 04 de 2020). Obtenido de hardzone:
[Link]
impact-of-artificial-intelligence-vs-humans-and-what-the-future-holds. (15 de 01 de 2021).
Obtenido de analyticsinsight: [Link]
las-6-leyes-de-la-robotica-de-la-union-europea. (s.f.). Obtenido de blogthinkbig:
[Link]
machine learning. (s.f.). Obtenido de IBM: [Link]
learning
machine-learning. (s.f.). Obtenido de mathworks: [Link]
[Link]
machine-learning-workflow-process-steps. (s.f.). Obtenido de gatevidyalay:
[Link]
what-is-machine-learning. (s.f.). Obtenido de brookings:
[Link]
(Modelling_In-
Store_Consumer_Behaviour_Using_Machine_Learning_and_Digital_Signage_Audience_Measurem
ent_Data, s.f.)