¿Qué es AA y IA?

• 00:00La IA y el aprendizaje automático

• 00:02están ayudando a las empresas a tomar mejores decisiones y más
rápidas,
• 00:05a ayudarnos a encontrar posibles curas para el cáncer,
• 00:08a asegurar mejores nuestras transacciones financieras,
• 00:11y para hacer que los vehículos autónomos sean más seguros y
más.
• 00:15¿Por qué sucede esto ahora a gran escala?
• 00:18Porque el procesamiento y el almacenamiento
• 00:19se están volviendo rápidamente más rápidos y más baratos,
• 00:22los algoritmos son más inteligentes,
• 00:23y el ecosistema de IA es más grande.
• 00:26Echemos un vistazo más de cerca a un ejemplo de conducción
autónoma
• 00:29para ver el impacto.
• 00:31Hay varias etapas clave
• 00:33en un proyecto de IA y aprendizaje automático.
• 00:35Primero, los datos son recopilados y preparados por científicos de
datos.
• 00:40Luego, se realiza un entrenamiento para enseñar las habilidades
requeridas.
• 00:44Y finalmente, se realiza la inferencia.
• 00:46para tomar decisiones basadas en nuevos datos.
• 00:49El valor de la IA es enorme,
• 00:51pero hay desafíos.
• 00:53Por ejemplo, la preparación de datos requiere mucho tiempo,
• 00:56requiriendo hasta el 80% de los esfuerzos de los científicos de
datos.
• 01:00Y los datos a menudo provienen de muchas fuentes.
• 01:05Los volúmenes de datos son enormes y crecen rápidamente,
• 01:08y que los datos a menudo son confidenciales o están regulados,
• 01:11lo que requiere que las cargas de trabajo se implementen en las
instalaciones.
• 01:15El volumen y la velocidad de los datos.
• 01:17crear desafíos en todas las etapas,
• 01:19requieren sistemas de alto rendimiento que sean adaptables
• 01:22para impulsar estas cargas de trabajo a escala.
REALIDAD Y FICCION

• 00:00En Data Crunchers

• 00:02hay algunos proyectos que están captando
• 00:03mucha tanto atención de nuestros empleados como de nuestros
clientes.
• 00:07Estos proyectos se encuentran entre los primeros.
• 00:09que involucran inteligencia artificial,
• 00:11robots y aprendizaje automático.
• 00:13Las cosas que solían estar solo en las películas de ciencia ficción.
• 00:16Un proyecto en el que estamos trabajando
• 00:18implica recopilar datos de imágenes e información de GPS.
• 00:22Esto se usará para entrenar a un robot.
• 00:24para que utilice el reconocimiento habilitado por IA,
• 00:26para diferenciar entre malas hierbas y cultivos,
• 00:29para reducir el uso de herbicidas químicos.
• 00:32Eso no puede parecer un gran proyecto.
• 00:34pero requiere una cantidad significativa de datos no estructurados
• 00:37en forma de imágenes y vídeos que deben ser analizados
• 00:40a través del proceso de aprendizaje automático.
• 00:43(música optimista)

• IA a Nuestro Alrededor
• Hay muchas aplicaciones de inteligencia artificial (IA) que vemos y
usamos todos los días.
• Seleccione cada aplicación para saber cómo la IA está cambiando
sus actividades cotidianas.

• Entretenimiento
Los algoritmos de clasificación pueden permitir que los usuarios
encuentren más fácilmente vídeos que les agraden. Según el perfil de un
 cliente, su comportamiento de alquiler de videos y el comportamiento de
alquiler de videos de otros clientes con datos demográficos similares, el
algoritmo predice qué videos es probable que disfrute un cliente y le
hace recomendaciones.
• Agricultura
Los granjeros usan teléfonos móviles para enviar imágenes sobre
enfermedades de plantas a los investigadores. Estas imágenes se
utilizan en el sistema de reconocimiento de imagen para diagnosticar
enfermedades de plantas. Combinados con la regresión de datos
ambientales, los algoritmos predicen futuros brotes de enfermedades.

Medicina

Los investigadores han desarrollado un modelo de aprendizaje automático que

utiliza la probabilidad de clasificar el cáncer de mama mediante el examen de
imágenes de histopatología médica. Este enfoque puede eventualmente ser
capaz de detectar subtipos de cáncer y clasificar el tejido benigno y maligno.

Comercio Minorista

Las soluciones de inteligencia artificial en algunas tiendas minoristas mejoran la

captación de clientes a través de programas de chat interactivos o chatbots.
Los chatbots pueden ser una forma eficaz de comunicarse con los clientes.
Pueden responder preguntas frecuentes, recomendar productos, abordar
quejas, recopilar datos valiosos de clientes y desviar llamadas a un ejecutivo de
televentas humano si es necesario. También se pueden programar para que
aprendan automáticamente los datos anteriores para seguir perfeccionando y
personalizar las interacciones posteriores con los clientes.

Estado Físico

La aplicación de estado físico en su teléfono inteligente, o rastreador de estado

físico, recopila datos introducidos en una aplicación que puede proporcionarle
información valiosa sobre su salud. Las aplicaciones deben crear un modelo de
sus movimientos para identificar qué constituye dar un paso y la distancia que
recorre con cada uno. Algunos rastreadores de estado físico incluso utilizan
software de IA de autoaprendizaje que puede reconocer y adaptarse a una
amplia variedad de movimientos y pueden aprender nuevas actividades de
estado físico basadas en patrones repetitivos y cíclicos.

Elemento de Práctica - IA a Nuestro

Alrededor
Como han visto, la IA está creciendo en popularidad. Desde la agricultura hasta
los servicios de salud, la IA se está convirtiendo en una parte estándar de
nuestra vida cotidiana. Utilice el espacio a continuación para reflexionar sobre
algunas áreas de la vida cotidiana que aborda la IA.
Iniciar sesión en su teléfono con FaceID

Al iniciar sesión en su teléfono con reconocimiento facial, FaceID de Apple

ilumina su rostro con 30.000 puntos infrarrojos para capturar una imagen 3D.
Luego, utiliza algoritmos de aprendizaje automático para comparar el escaneo
de la cara con la imagen almacenada para determinar si el teléfono se debe
desbloquear.

Fuentes personalizadas de medios sociales

Un área que se ha visto significativamente afectada por la IA son las redes

sociales. Facebook utiliza IA para ofrecerle contenido, reconocer su rostro en
fotos y dirigirse a usted con publicidad. Twitter utiliza IA con procesamiento de
lenguaje natural (PNL) para rastrear y eliminar el lenguaje abusivo. Instagram
utiliza Inteligencia Artificial para mejorar la experiencia del usuario, filtrar el
correo electrónico no deseado y mejorar los resultados de la publicidad dirigida.

Asistentes de voz digitales

Siri, Alexa, Google Home y Cortana tienen varias capacidades de IA. Utilizan el
reconocimiento de voz para establecer la autenticidad del usuario. PNL les
permite comprender sus solicitudes de voz y responder. También aprenden.
Cuantas más tareas realizadas, más aprenderán sobre sus preferencias.

Aplicaciones GPS

Google Maps, Waze y otras aplicaciones de viaje utilizan IA para monitorear el

tráfico, proporcionar condiciones de tráfico en tiempo real y sugerir rutas
alternativas para evitar la congestión. También trabajan para identificar factores
contextuales, como las condiciones de construcción y visibilidad, que conducen
a eventos de frenado y accidentes.

IA en Acción

• Hay muchos usos emocionantes que ahorran tiempo.

• 00:03para las tecnologías de inteligencia artificial.
• 00:[Link] es una plataforma impulsada por IA
• 00:08que lo ayuda a crear entradas de blog,
• 00:10agregar textos, páginas de cursos y más.
• 00:13Incluso puedes usarlo para escribir.
• 00:14su próxima entrada en el blog en cuestión de minutos.
• 00:17Para utilizar la herramienta de Creación de Texto,
• 00:19ingrese el propósito, algunas palabras o frases clave,
• 00:22y el estilo de texto que sea apropiado para su propósito.
• 00:26Como puedes ver, hay muchos estilos diferentes disponibles.
 • 00:29La herramienta de creación de texto tiene acceso a una biblioteca.
• 00:32de contenido preescrito en lenguaje natural
• 00:34y herramientas que puedes personalizar.
• 00:37Una vez que hago clic en Crear copia, la herramienta presenta
• 00:39varias opciones para qué tipo de contenido
• 00:42cree que funcionaría mejor en función de su información.
• 00:45Puedes elegir cuál te atrae más
• 00:47según el tono, la duración y el estilo,
• 00:50Luego personalízalo más
• 00:51si no satisface todas sus necesidades.
• 00:54El guion de este video
• 00:55Fue preparado utilizando la herramienta de creación de texto.
• 00:58(música suave)

• Datos Masivos y Aprendizaje

Automático
¿Qué es el Aprendizaje Automático?
• 00:00Está de moda en estos días,
• 00:01empresas que promocionan el aprendizaje automático esto
• 00:03o el aprendizaje automático lo otro,
• 00:05proveedores que prometen un remedio para todos los desafíos de
TI.
• 00:09El alboroto se está volviendo bastante espeso.
• 00:11Entonces, ¿qué es exactamente el aprendizaje automático?
• 00:13Tradicionalmente, las computadoras resuelven problemas a través
de programas
• 00:16o instrucciones dadas por un ser humano.
• 00:19El aprendizaje automático solo significa
• 00:21que la computadora puede encontrar una solución
• 00:23sin estar específicamente programado.
• 00:25Estas máquinas tienen la capacidad de aprender continuamente
• 00:28observando datos y encontrando patrones,
• 00:31y lo hacen mucho más rápido que un ser humano.
• 00:34Veamos dos términos clave en el aprendizaje automático:
• 00:36clasificadores y algoritmos.
• 00:39Los clasificadores son la base del aprendizaje automático.
• 00:42que clasifican las observaciones,
• 00:43mientras que los algoritmos son las técnicas
• 00:45que organizan y orientan a los clasificadores.
• 00:48A menudo, el aprendizaje automático requiere capacitación.
• 00:51con conjuntos de pares de preguntas y respuestas correctas
• 00:53que permite que tanto el clasificador
• 00:55y los algoritmos hacen un gran trabajo.
• 00:58Veamos un ejemplo para ver cómo funciona.
• 01:01Los clasificadores analizan patrones de datos específicos,
• 01:03ni narices ni ojos reales.
• 01:06Y con suficiente entrenamiento,
• 01:07pueden seleccionar su foto entre millones de opciones.
• 01:11Entonces, ¿cómo utilizamos el aprendizaje automático en la
seguridad?
• 01:14Imagine una canalización de análisis
• 01:16que utilizan muchos cientos de clasificadores de aprendizaje
automático
• 01:19y algoritmos trabajando juntos,
• 01:21analizando millones de
• 01:23puntos de datos y eventos internos y externos.
• 01:26La canalización identifica y separa
• 01:28actividad maliciosa sospechosa de la normal.
• 01:30Luego se organiza en eventos específicos
• 01:33y luego se combina con un contexto procesable
• 01:35para los equipos de seguridad.
• 01:37Y hace todo esto a la velocidad de la máquina.
• 01:40Impresionante, ¿verdad?

• ¿Qué es el Aprendizaje
Automático?
• El aprendizaje automático se ha vuelto cada vez más popular entre las
empresas y organizaciones de todos los sectores para mejorar la
eficiencia y la productividad. Utilice Internet para investigar casos de uso
de aprendizaje automático. Identifique cinco casos de uso que abarcan
diferentes sectores o aplicaciones y utilice el espacio a continuación
para analizar sus conclusiones.
• Banca - Detección de Fraude
• Los bancos y otras organizaciones financieras gastan una enorme
cantidad de dinero cada año en costos de recuperación debido al fraude.
Las soluciones de aprendizaje automático pueden ayudar a los bancos a
predecir comportamientos fraudulentos. Estas soluciones funcionan en
tiempo real para verificar constantemente la posibilidad de fraude y
generar alertas en consecuencia. CitiBank ha utilizado sistemas de
detección de valores atípicos basados en el aprendizaje automático para
controlar mejor y monitorear los pagos, a la vez que mejora la
seguridad.
• Empresas - Monitoreo de Correo Electrónico
• El correo electrónico es una plataforma principal para el malware y otros
ataques de ciberseguridad. El aprendizaje automático es fundamental
para detectar estos ataques mediante la supervisión de correo
electrónico en tiempo real. Por ejemplo, las tecnologías de
Procesamiento del Lenguaje Natural pueden analizar el contenido de un
mensaje de correo electrónico y determinar la posibilidad de intentos de
suplantación de identidad. Tessian utiliza software de monitoreo de
correo electrónico basado en aprendizaje automático para evitar ataques
de suplantación de identidad, violaciones de información y ataques de
malware.
 • Servicios de Salud - Imágenes Médicas
• El proyecto InnerEye de Microsoft es un software de código abierto que
aprovecha la visión por computadora y el aprendizaje automático para
diferenciar entre los tumores y una anatomía saludable mediante
imágenes radiológicas en 3D que ayudan a los expertos médicos en
radioterapia y planificación quirúrgica y aceleran el tratamiento de los
pacientes con cáncer.
• Comercio Minorista - Precios Dinámicos
• Los comercios minoristas en línea, como Amazon, utilizan algoritmos de
aprendizaje automático para determinar el precio dinámico de un
producto o servicio, lo que permite asignar el mejor precio para cada
producto. Los algoritmos les permiten aumentar las ventas y, al mismo
tiempo, optimizar el inventario. Se pueden aplicar descuentos en tiempo
real para captar clientes y mantener una ventaja en el mercado.
• Manufactura - Mantenimiento Predictivo
• En la fabricación, el mantenimiento predictivo evita la falla de la
maquinaria o los componentes vitales. Mediante el análisis de datos de
ciclos de mantenimiento anteriores, el aprendizaje automático puede
identificar patrones para predecir fallas en los equipos y la atención
futura necesaria. El mantenimiento predictivo ahorra a los fabricantes
tiempo y dinero significativos, ya que les permite abordar problemas
específicos exactamente cuando es necesario.

• Tipos de Análisis de Aprendizaje

Automático
• El aprendizaje automático abarca diferentes algoritmos o modelos con
una amplia aplicabilidad, mientras que otros son adecuados para
aplicaciones específicas. El aprendizaje automático se divide en tres
enfoques principales de modelos de aprendizaje supervisados, no
supervisados y de refuerzo. Cada modelo difiere en el entrenamiento;
cada uno tiene sus fortalezas y enfrenta diferentes tareas o problemas.
Al elegir un modelo de aprendizaje automático para implementar, una
organización debe comprender los datos disponibles y el problema a
resolver.
• Seleccione los ejemplos a continuación para obtener más
información sobre cada tipo de modelo de aprendizaje automático.

Supervisado
Los algoritmos de aprendizaje automáticos supervisados son los más
utilizados para el análisis predictivo. El aprendizaje automático supervisado
requiere la interacción humana para etiquetar los datos leídos para un
aprendizaje supervisado preciso. En el aprendizaje supervisado, el modelo se
enseña con ejemplos mediante el uso de conjuntos de datos de entrada y
salida procesados por expertos humanos, generalmente científicos de datos. El
modelo aprende las relaciones entre los datos de entrada y salida y luego
utiliza esa información para formular predicciones basadas en nuevos
conjuntos de datos. Por ejemplo, un modelo de clasificación puede aprender a
identificar plantas después de recibir capacitación en un conjunto de datos de
imágenes correctamente etiquetadas con las especies de plantas y otras
características de identificación.

Los métodos de aprendizaje automáticos supervisados suelen resolver

problemas de regresión y clasificación:

• Los problemas de regresión implican estimar la(s) relación(es)

matemática(s) entre una variable continua y una o más variables. Esta
relación matemática luego puede calcular los valores de una variable
desconocida dados los valores conocidos de los demás. Los ejemplos
de problemas que utilizan la regresión incluyen la estimación de la
posición y la velocidad de un automóvil mediante GPS, la predicción de
la trayectoria de un tornado datos mediante mediciones meteorológicas
o la predicción del valor futuro de una acción mediante datos históricos y
de otro tipo.
• Los problemas de clasificación consisten en una variable discreta y
desconocida. Por lo general, el problema consiste en estimar qué
muestra específica pertenece a un conjunto de clases predefinidas.
Ejemplos de clasificación son el filtrado de correo electrónico en spam o
no spam, el diagnóstico de patologías a partir de pruebas médicas o la
identificación de rostros en una imagen.

No supervisado
Los algoritmos de aprendizaje automático no supervisados no requieren
expertos humanos, sino que descubren patrones en los datos de forma
autónoma. El aprendizaje no supervisado se ocupa principalmente de datos sin
etiquetar. El modelo debe funcionar por sí solo para encontrar patrones e
información. Algunos ejemplos de problemas resueltos con métodos no
supervisados son el agrupamiento en clústeres y la asociación:

• Métodos de agrupación en clústeres - La agrupación en clústeres es

la agrupación de datos que tienen características similares. Ayuda a
segmentar los datos en grupos ya analizar cada uno para encontrar
patrones. Por ejemplo, los algoritmos de agrupación identifican grupos
de usuarios en función de su historial de compras en línea y luego
envían anuncios dirigidos a cada miembro.
• Métodos de asociación - La asociación consiste en descubrir grupos
de elementos frecuentemente observados juntos. Los minoristas en
línea usan asociaciones para sugerir compras adicionales a un usuario
en función del contenido de su carrito de compras.

Refugio
El aprendizaje por refuerzo enseña a la máquina a través de la prueba y el error
mediante la retroalimentación de sus acciones y experiencias, también conocida como
aprendizaje de errores. Implica asignar valores positivos a los resultados deseados y
valores negativos a los efectos no deseados. El resultado son soluciones optimas; el
sistema aprende a evitar resultados adversos y buscar lo positivo. Las aplicaciones
prácticas del aprendizaje por refuerzo incluyen la creación de inteligencia de
ratificación para juegos de video, robótica y automatización industrial.

Tipos de Análisis de Aprendizaje

Automático
Seleccione el modelo de aprendizaje automático correcto para cada pregunta.

Escenario 1

Un robot que crea un sistema de control adaptable para sí mismo y aprende de

sus propias experiencias y comportamientos.
Refuerzo
Una característica clave del aprendizaje automático por refuerzo es que aprende de
los errores. El sistema aprende por prueba y error para encontrar soluciones. En este
ejemplo, el sistema está creando un sistema de control adaptable mediante el
aprendizaje, a través de la prueba y el error, de sus propias experiencias.

Escenario 2

Un sistema de reconocimiento facial que identifica y clasifica las características

faciales mediante un gran conjunto de datos de capacitación procesados por
humanos.
Supervisado

El aprendizaje supervisado requiere que un supervisor, generalmente un ser humano,

proporcione los conjuntos de datos para capacitar al algoritmo para clasificar los datos
con precisión. En este ejemplo, un algoritmo de aprendizaje supervisado para clasificar
las características faciales mediante un conjunto de datos proporcionado por el
supervisor.

Escenario 3

Un sistema de recomendación para agrupar usuarios con patrones de

visualización similares para recomendar contenido similar.
No supervisado

El aprendizaje no supervisado utiliza algoritmos de aprendizaje automático para

identificar patrones en los datos que no se han etiquetado previamente. Los
algoritmos identifican correlaciones o tendencias en los datos sin la aportación
de los científicos de datos. En este ejemplo, el algoritmo busca patrones en el
comportamiento de visualización de películas de los clientes para que puedan
agruparse con otros clientes con un comportamiento de visualización similar.

El Proceso de Aprendizaje Automático

Desarrollar una solución de aprendizaje automático pocas veces es un proceso
lineal. Son necesarios varios pasos de prueba y error para ajustar la solución.
Los detalles de cada paso realizado por los científicos de datos de Data
Cruncher mientras trabajan en el nuevo modelo de identificación y erradicación
de malezas son los siguientes:

Paso 1. Preparación de datos - Realice procedimientos de limpieza de datos,

como la transformación a un formato estructurado y la eliminación de datos
faltantes y observaciones ruidosas/corruptas.

Paso 2a. Datos de aprendizaje - Cree un conjunto de datos de aprendizaje

utilizado para capacitar el modelo.

Paso 2b. Datos de prueba - Cree un conjunto de datos de prueba para

evaluar el rendimiento del modelo. Solo realiza este paso en el caso de
aprendizaje supervisado.

Paso 3. Bucle del Proceso de Aprendizaje - Selección . Se elige un

algoritmo en función del problema. Según el algoritmo seleccionado, pueden
ser necesarios pasos de preprocesamiento adicionales.

Paso 4. Bucle del Proceso de Aprendizaje - Evaluación. El rendimiento de

este algoritmo seleccionado se evalúa en los datos de aprendizaje. Si el
algoritmo y el modelo alcanzan un rendimiento aceptable en los datos de
aprendizaje, la solución valida los datos de prueba. De lo contrario, se repite el
proceso de aprendizaje con un nuevo modelo y algoritmo propuesto.

Paso 5. Evaluación del Modelo - Probar la solución en los datos de prueba.

Los rendimientos en los datos de aprendizaje no son necesariamente
transferibles a datos de prueba. Cuanto más complejo y ajustado sea el
modelo, mayores serán las posibilidades de que el modelo se vuelva propenso
a sobreajustarse, lo que significa que no puede funcionar con precisión frente a
datos no vistos. El sobreajuste puede resultar en volver al proceso de
aprendizaje del modelo.

Paso 6. Implementación del Modelo - Después de que el modelo logre un

rendimiento satisfactorio en los datos de prueba, implemente el modelo.
Implementar el modelo implica realizar las tareas necesarias para escalar la
solución de aprendizaje automático a datos masivos.

El Proceso de Aprendizaje Automático

Los científicos de datos que trabajan con nuestro cliente, AgroTech Robótica,
revisan el proceso utilizado para crear el modelo de aprendizaje automático.
Quieren que documente el proceso, incluidos todos los pasos necesarios para
completar el proyecto. ¿Está preparado para la tarea?

Se proporciona el primer paso, la Preparación de Datos, y el último, la

Implementación del Modelo. Seleccione las descripciones adecuadas para
los Pasos 2 a 5.
Paso 2a
El conjunto de datos de aprendizaje es creado para capacitar al modelo
Paso 2b
Se prueba del conjunto de datos creado para evaluar el modelo
Paso 3
Se elige el algoritmo
Paso 4
El algoritmo evaluado en datos de aprendizaje
Paso 5
La solución se evalúa con los datos de prueba

Los pasos del proceso de aprendizaje automático en orden son:

Paso 1 - Preparar los datos con procedimientos de limpieza de datos.

Paso 2 - Crear un conjunto de datos de aprendizaje utilizado para capacitar el
modelo y probar un conjunto de datos para evaluar el modelo.

Paso 3 - El algoritmo se elige en función del problema que se debe resolver.

Paso 4 - Se evalúa el algoritmo en los datos de aprendizaje.

Paso 5 - La solución se prueba con los datos de prueba.

Paso 6 - Se implementa el modelo.

Entrenando Máquinas para Reconocer

Patrones
Anteriormente, aprendió que el aprendizaje automático es un subconjunto de la
inteligencia artificial. La inteligencia artificial es el concepto de que un sistema
puede aprender de los datos, identificar patrones y tomar decisiones con poca
o ninguna intervención humana. El aprendizaje automático tiene muchas
aplicaciones valiosas en el campo del análisis de datos. Una aplicación
fundamental es el reconocimiento de patrones.

El reconocimiento de patrones utiliza algoritmos de aprendizaje automático

para identificar patrones en datos digitales. Estos patrones se aplican a
diferentes conjuntos de datos con el objetivo de reconocer los mismos o
patrones similares en los nuevos datos. Los datos pueden estar contenidos en
muchos formatos diferentes, como texto, fotografías o vídeos. Por ejemplo, si
se hace referencia a clases de aves, una descripción de un ave sería un
patrón. Los tipos pueden ser gorriones, petirrojos o pinzón, entre otros.
Mediante el uso de la visión artificial, las tecnologías de procesamiento de
imágenes y el reconocimiento de patrones, en este ejemplo, podemos extraer
patrones específicos de imágenes de aves y compararlas con imágenes de
aves almacenadas en una base de datos.

El reconocimiento de patrones utiliza el concepto de aprendizaje para clasificar

los datos en función de la información estadística obtenida de los patrones y
sus representaciones. El aprendizaje permite que los sistemas de
reconocimiento de patrones se "capaciten" y se adapten para proporcionar
resultados más precisos. Al entrenar al sistema de reconocimiento de patrones,
una parte del conjunto de datos prepara el sistema y la cantidad restante
prueba la precisión del sistema. Como se muestra en la figura a continuación,
el conjunto de datos se divide en dos grupos: entrenar el modelo y probar el
modelo. El conjunto de datos de entrenamiento se utiliza para crear el modelo y
consta de aproximadamente el 80% de los datos. Contiene el conjunto de
imágenes utilizadas para capacitar al sistema. El conjunto de datos de prueba
consta de aproximadamente el 20% de los datos y mide la precisión del
modelo. Por ejemplo, si el sistema que identifica las categorías de aves puede
identificar correctamente siete de cada diez, la precisión del sistema es del
70%.
Los algoritmos de reconocimiento de patrones pueden aplicarse a diferentes
tipos de datos digitales, incluidas imágenes, textos o videos, y pueden utilizarse
para automatizar y resolver problemas analíticos complicados por completo.
Las aplicaciones y los casos de uso para el reconocimiento de patrones son
prácticamente ilimitadas. Algunos ejemplos incluyen:

• Seguridad Móvil - Identificación de huellas dactilares o reconocimiento

facial para obtener acceso a un teléfono inteligente.
• Ingeniería - Reconocimiento de voz por parte de sistemas de asistencia
digital como Alexa, Google Assistant y Siri.
• Geología - Detección de tipos específicos de rocas y minerales e
interpretación de patrones temporales en registros de matriz sísmica.
• Biomédica - Uso de patrones biométricos para identificar las células
tumorales y cancerosas en el cuerpo.

• Entrenando Máquinas para

Reconocer Datos
• Aplique lo que ahora sabe sobre el aprendizaje automático
seleccionando la respuesta correcta en las siguientes oraciones.
• El aprendizaje automático crea modelos predictivos basados en los
datos y aprende de ellos. En aprendizaje automatico los datos se dividen
en dos conjuntos, y el primero se conoce como datos de
• entrenamiento
• flecha desplegable
• y se utilizan para crear el modelo y consta de aproximadamente el 80%
del conjunto de datos.

• Después de crear el modelo de aprendizaje automático, se debe medir

la precisión. Para este proceso, el sistema utiliza datos de
• prueba
• flecha desplegable
• , que consiste en el otro 20% de los datos, para evaluar el rendimiento
del modelo y ajustarlo u optimizarlo para obtener mejores resultados.