Estado Del Arte Aprendizaje Automático Machine Learning Introducción

Estado del arte aprendizaje automático Machine Learning
Introducción:
Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea
sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar
patrones complejos en millones de datos. La máquina que realmente aprende es un algoritmo
que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente,
también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el
tiempo, sin intervención humana.
Presentación conceptual y fundamentación de tema (y/o area):
Motivación, antecedentes:
Los inicios del Machine Learning los encontramos en los años 50s, cuando Arthur Samuel,
pionero en el campo de los juegos informáticos e IA, escribió el primer programa de
aprendizaje informático.
En los 60s, la creación del algoritmo conocido como “nearest neighbor” permitió a las
computadoras utilizar un reconocimiento de patrones muy básico. Incluso tuvo fines
comerciales, pues éste logró trazar un mapa de una ruta para vendedores ambulantes.
A principios de los 80s, Gerald Dejong plantea el concepto “Aprendizaje Basado en Explicación”
(EBL, por sus siglas en inglés). Se trata de un conocimiento en el que la computadora analiza
datos de entrenamiento y crea una regla general que puede seguir para descartar datos.
En la década de los 90s, el Machine Learning ganó popularidad gracias a la intersección de la

informática y la estadística que dio lugar a enfoques probabilísticos en la IA. Esto generó un
gran cambió al campo del ML, ya que se trabajaría con más datos.
Después del 2010, los grandes “jugadores” tecnológicos comenzaron sus propios desarrollos
en Machine Learning: IBM, Google, Facebook, Amazon, Microsoft.
Bases teóricas, definiciones:
Dado que la mira central la tecnología de machine learning les enseña a las
computadoras cómo realizar tareas aprendiendo de los datos –en lugar de ser
programadas explícitamente .El problema es que los médicos son capaces de
detectar y extraer esos síntomas a partir de la información de los pacientes
Una de las aportaciones machine learning es lograr impactar de forma importante

es la medicina, y concretamente el diagnóstico médico en el que teóricamente el
aprendizaje automático parecía muy capaz de dar respuestas válidas.
Por lo cual es un factor importante a tomar en cuenta para cumplir los objetivos
de la investigación. Es totalmente necesaria la implementación de simulaciones.
Entre otras investigaciones, las pruebas de autodiagnóstico realizadas por la
Universidad de Harvard demostraron que los sistemas automáticos funcionan con
datos objetivos (radiografías, análisis clínicos) pero no con síntomas ofrecidos
directamente por los pacientes. A las máquinas aún les queda tiempo para
resolver este problema, parece.
Uno de los problemas que se identifica en el aprendizaje automático machine
learning son los problemas de regresión se caracterizan en que la variable de
respuesta Y es cuantitativa. Esto significa que la solución a nuestro problema es
representada por una variable continua que puede ser flexiblemente determinada
por las entradas X a nuestro modelo, en lugar de estar restringida a un grupo
posible de valores. Ejemplos de variables cuantitativas pueden ser el salario y el
peso de una persona.
Además las herramientas, que existen de código abierto incluyen librerías para
Python, R, C++, Java, Scala, Clojure, JavaScript y Go.
Según lo analizado, el aporte que busca dar esta investigación; además de asistir
has sugerir un tratamiento al médico sobre pacientes con depresión posparto es
minimizar el tiempo de espera del paciente para su pronta recuperación
Para tal objetivo, se estudiarán los beneficios del aprendizaje automático
(Machine Learning) para sugerir un tratamiento al médico sobre pacientes con
depresión posparto
Con Machine Learning crea algoritmos capaces de adaptarse de manera
autónoma:
 Predicciones: el uso de herramienta contables para almacenar
información de la empresa de manera digital, esta gran cantidad de
información puede ser explotada de forma significativa, usándola
para la toma de decisiones en la empresa o entidad en la que se usa.
 Detección de intrusos: Se utilizan sistemas de IA, los cuales
aprenden el comportamiento cotidiano de un usuario autorizado;
entonces cuando el comportamiento de dicho usuario cambia, el
sistema genera pequeños bloqueos para averiguar qué realmente es.
Estos sistemas son también conocidos como “detectores de
anomalías”.
 Clasificación de texto: Está aplicación de Machine Learning tiene
casos de uso particulares muy interesantes; se trata de algoritmos
capaces de clasificar texto en base a su contenido.
 Productividad: Como mencionamos en el primer punto, los
algoritmos de IA pueden tener la capacidad de aprender el
funcionamiento de una empresa y predecir; otra interesante
aplicación de esta capacidad es la mejora de la productividad.
 Bots de soporte: Un bot es un sistema informático capaz de imitar
el comportamiento de un humano, estos sistemas pueden ser
entrenados para ofrecer un primer apoyo a los clientes, y cuando ya
no son capaces de resolver preguntas muy complejas, ceden el
trabajo a un humano.
 Customer churn: Los sistemas de aprendizaje que aquí se utilizan
intentan responder a la preguntas, Utilizando toda la información
relacionada con el cliente
Para la construcción del aprendizaje automático (Machine Learning) el ingrediente clave en

toda esta cuestión son los datos el machine learning es capaz de asimilar una amplia gama de
éstos, lo que se conoce como big data, pero éste no los percibe como datos, sino como una
enorme lista de ejemplos prácticos.
Podríamos decir que sus algoritmos se dividen principalmente en tres grandes categorías:
supervised learning (aprendizaje supervisado), unsupervised learning (aprendizaje no
supervisado) y reinforcement learning (aprendizaje por refuerzo). A continuación,
detallaremos las diferencias entre éstas.
Una vez que compruebas lo fácil y práctico que resulta aplicar las técnicas de machine learning
a problemas que creías serían imposibles, es cuando empiezas a creer que podría resolver
prácticamente cualquier problema siempre y cuando existan suficientes datos.
Perspectivas del tema y áreas:

1. Aprendizaje reforzado: es un paradigma para el aprendizaje mediante prueba y error inspirado
en la forma en que los humanos aprenden nuevas tareas.
Una importante ventaja nativa del uso de agentes RL en entornos que pueden simularse (por
ejemplo, los videojuegos) es que los datos de entrenamiento se pueden generar en traves ya un
costo muy bajo.
2. Modelos generativos: se utilizan para tareas de clasificación o regresión, los modelos

generativos aprenden una distribución de probabilidad sobre los ejemplos de entrenamiento.
Por ejemplo, un modelo generativo entrenado en imágenes reales de caras puede generar nuevas
imágenes sintéticas de caras similares.
3. Redes con memoria: Para que los sistemas de IA se generalicen en diversos entornos del mundo
real, al igual que nosotros, deben poder aprender continuamente nuevas tareas y recordar cómo
realizarlas en el futuro.
4. Aprendiendo de menos datos y construyendo modelos más pequeños: Los modelos

de aprendizaje profundo son notables por requerir enormes cantidades de datos de
entrenamiento para alcanzar un rendimiento de vanguardia.
5. Hardware para entrenamiento e inferencia: Un catalizador importante para el progreso en la
IA es la reutilización de unidades de procesamiento de gráficos (GPU) para entrenar grandes
modelos de redes neuronales.
6. Entornos de simulación: los AI deben generalizarse en muchas situaciones para que nos sean
útiles en el mundo real. Como tal, el desarrollo de entornos digitales que simulen la física y el
comportamiento del mundo real nos proporcionará bancos de pruebas para medir y entrenar la
inteligencia general de una IA.
Trabajos realizados en el tema (y /o area):
 Software de aprendizaje automático para sugerir un tratamiento al médico sobre

 pacientes con depresión posparto para la clínica “madre de cristo”
 Biblioteca para representación y clasificación de texto rápido.
 API de reconocimiento facial más simple del mundo para Python y la línea de comandos
 Generación de música y arte con Machine Intelligence
 biblioteca de red neuronal basada en TensorFlow
 Entorno de aprendizaje de StarCraft II
Aplicaciones:
1. Seguridad de datos
2. Seguridad personal
3. Comercio financiero
4. Cuidado de la salud
5. Marketing personalizado
6. Detección de fraudes
7. Recomendaciones
8. Búsqueda online
9. Coches inteligentes
Perspectivas de desarrollo del tema (y/o area):
Machine learnig: es la idea de que existen algoritmos que pueden darte hallazgos o
conclusiones relevantes obtenidas de un conjunto de datos, sin que el ser humano tenga que
escribir instrucciones o códigos para esto.
De acuerdo, pero ¿qué es un algoritmo? Pues no es otra cosa que una secuencia o serie de
instrucciones, que representan la solución a un determinado problema
El propósito del machine learning es que las personas y las máquinas trabajen de la mano, al
éstas ser capaces de aprender como un humano lo haría. Precisamente esto es lo que hace los
algoritmos, permiten que las máquinas ejecuten tareas, tanto generales como específicas.
Conclusiones: Creo que el Machine Learning es una nueva herramienta clave que posibilitará
el desarrollo de un futuro mejor para el hombre brindando inteligencia a robots, coches y
casas.

Estado Del Arte Aprendizaje Automático Machine Learning Introducción

Cargado por

Copyright:

Formatos disponibles

Estado Del Arte Aprendizaje Automático Machine Learning Introducción

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estado Del Arte Aprendizaje Automático Machine Learning Introducción

Cargado por

Copyright:

Formatos disponibles

Estado del arte aprendizaje automático Machine Learning

Presentación conceptual y fundamentación de tema (y/o area):

En la década de los 90s, el Machine Learning ganó popularidad gracias a la intersección de la

Bases teóricas, definiciones:

Una de las aportaciones machine learning es lograr impactar de forma importante

Para la construcción del aprendizaje automático (Machine Learning) el ingrediente clave en

Perspectivas del tema y áreas:

2. Modelos generativos: se utilizan para tareas de clasificación o regresión, los modelos

4. Aprendiendo de menos datos y construyendo modelos más pequeños: Los modelos

Trabajos realizados en el tema (y /o area):

 Software de aprendizaje automático para sugerir un tratamiento al médico sobre

También podría gustarte