No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Introducci贸n a Machine Learning

14/24
Recursos

Aportes 104

Preguntas 7

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Reg铆strate o inicia sesi贸n para participar.

Yo pude ver a Fei Fei cuando viaj茅 becada a Grace Hooper Celebration el a帽o 2017鈥 Hasta ahora la mejor experiencia de toda mi vida

En 2017, nuestro salvador Dendi Sensei, Campeon de dota 2, perdio contra una IA.

https://www.theverge.com/2017/8/11/16137388/dota-2-dendi-open-ai-elon-musk

un dia dificil para todos nosotros鈥


1950 Alan Turing publica un articulo titulado Computaci贸n e Inteligencia, en donde plantea lo que ahora conocemos como la Prueba de Turing. Esta es una prueba de habilidad de una m谩quina de mostrar un comportamiento inteligente similar al de un humano. La misma no eval煤a el conocimiento de la m谩quina en cuanto a su capacidad de responder preguntas correctamente, solo se toma en cuenta la capacidad de 茅sta de generar respuestas similares a las que dar铆a un humano.
1952 Arthur Samuel escribe el primer programa de ordenador capaz de aprender. El software era simplemente un programa que jugaba a las damas y que pod铆a aprender de sus errores partida tras partida.
1957 Fran Rosenblatt dise帽a el Perceptron, una red neuronal en hardware para reconocimiento de caracteres. El prop贸sito era el de explicar y modelar las habilidades de reconocimiento de patrones de los sistemas visuales biol贸gicos.
1979 Estudiantes de la Universidad de Stanford, dise帽an un carro capaz de moverse aut贸nomamente por una habitaci贸n evitando obst谩culos.
1981 Gerald DeJong crea el concepto de Aprendizaje Basado en Experiencia, haciendo que un computador analice informaci贸n de entrenamiento y cree una regla general que le permita descartar informaci贸n no importante.
1985 Terry Sejnowski inventa NetTalk, un software que aprende a pronunciar palabras de la misma manera que lo har铆a un ni帽o.
Primeros a帽os de los 90s. Cient铆ficos empiezan a crear programas que analicen grandes cantidades de datos y saquen conclusiones, o aprendan, de los resultados.
1996 El computador Deep Blue de IBM vence una partida de ajedrez a Gary Kasp谩rov, campe贸n del mundo vigente, aunque al final Kasp谩rov gan贸 3 partidas m谩s, derrotando a Deep Blue. Para mayo de 1997. se vuelven a enfrentar pero esta vez con una nueva versi贸n de computador llamado Deeper Blue, esta vez se jugaron 6 partidas siendo el vencedor el computador.
2006 Geoffrey Hinton presenta el concepto de Deep Learning o aprendizaje profundo. Con este concepto se explicaron los nuevos algoritmos que permiten que los computadores distingan diversos objetos y textos tanto en im谩genes como en videos.
2010 El Kinect de Microsoft es capaz de reconocer 20 caracter铆sticas del cuerpo humano a una velocidad de 30 veces por segundo.
2011 El ordenador Watson de IBM vence a dos inteligentes concursantes en la tercera ronda del concurso estadounidense de preguntas y respuestas Jeopardy.
2012 Se crea GoogleBrain por Jeff Dean de Google y Andrew Ng profesor de la Universidad de Stanford. El prop贸sito de este proyecto fue de crear una red neuronal utilizando toda la capacidad de infraestructura de Google para detectar patrones en v铆deos e im谩genes.
2012 Los laboratorios Google X, ahora llamado solamente X, desarrollan un algoritmo de aprendizaje autom谩tico que puede navegar de forma aut贸noma por los videos de Youtube para identificar los videos que contienen gatos.
2014 Un programa de ordenador ha logrado convencer a m谩s del 30% de los jueces que era genuinamente humano. Se trata de un chatbot (robot programado para charlas online) que obedece al nombre de Eugene Goostman, el programa fue capaz de convencer al 33% de los jueces que participaron en la prueba de que estaban chateando con un ni帽o ucraniano de 13 a帽os.
2014 Facebook desarrolla DeepFace, un algoritmo de software que puede reconocer individuos en fotos al mismo nivel que los humanos.
2015 Amazon lanza su propia plataforma de aprendizaje autom谩tico o Machine Learning.
2015 Microsoft crea el kit de herramientas para el aprendizaje de m谩quinas distribuidas, que permite la distribuci贸n eficiente de problemas de aprendizaje autom谩tico en m煤ltiples computadoras.
2015 Google entrena un agente conversacional de inteligencia artificial, que no solo puede interactuar convincentemente con humanos como un servicio de soporte t茅cnico, sino tambi茅n discutir la moralidad, expresar opiniones y responder preguntas generales basadas en hechos.
2015. OpenAI es creada. Esta es una compa帽铆a de investigaci贸n de inteligencia artificial sin fines de lucro que tiene como objetivo promover y desarrollar inteligencia artificial amigable de tal manera que beneficie a la humanidad en su conjunto. Entre sus fundadores se encuentra Elon Musk, el mismo de Tesla y SpaceX.
2015 Debido a los grandes avances obtenidos en el 谩rea de Machine Learning e inteligencia artificial, m谩s de 3000 investigadores de estas 谩reas, respaldados por Stephen Hawking, Elon Musk y Steve Wozniak, firman una carta abierta advirtiendo del peligro de las armas aut贸nomas que seleccionan y atacan objetivos sin intervenci贸n humana.
2016 El algoritmo de inteligencia artificial de Google vence a un jugador profesional en el juego de mesa chino Go, que es considerado el juego de mesa m谩s complejo del mundo y es muchas veces m谩s dif铆cil que el ajedrez. El algoritmo desarrollado por Google DeepMind logr贸 ganar cinco juegos de cinco en la competencia de Go.
2017 OpenAI entrena chat bots o agentes conversacionales, que inventan su propio lenguaje para cooperar y lograr su objetivo de manera efectiva. Poco despu茅s, Facebook tambi茅n capacit贸 exitosamente a agentes para negociar e incluso mentir.
2017 Un algoritmo desarrollado tambi茅n por OpenAI derrota a los mejores jugadores en partidos 1 contra 1 del juego en l铆nea Dota 2.

Fuente: https://ligdigonzalez.com/historia-de-machine-learning/
https://www.youtube.com/watch?time_continue=4&v=_5BklQTGJmE&feature=emb_logo

Recuerdo que en el libro vida 3.0 mencionaban el caso de DeepMind, un equipo que implemento un algoritmo de ML que al jugar Go descubri贸 jugadas que eran totalmente contra intuitivas, pero que pese a no dar r茅ditos en el corto plazo, a la larga eran una jugada muuuy potente. En el libro lo describen como una de las jugadas mas creativas de la historia de Go.
l
Y esto fue gracias a que los algoritmos de IA pueden 鈥減ensar fuera de la caja鈥, pueden identificar patrones fuera de lo que nosotros tenemos preconcebido.
l
Les dejo el extracto de 4 hojas de esa parte en el libro:
https://drive.google.com/file/d/1eEeiX-gnHr80apUgp8mF9qB-8h0A6fiw/view?usp=sharing

En que curso ense帽an a hacer un Terminator?

Este es un video para entender los conceptos de IA, Machine Learning de un canal en espa帽ol DotCSV(.CSV), donde se est谩 lso avances del IA

https://www.youtube.com/watch?v=KytW151dpqU

Les comparto mi sue帽o (y la raz贸n del porqu茅 realmente entr茅 a Platzi):
S茅 que a la gran mayor铆a no les interesa, pero igual鈥
Yo tengo un emprendimiento llamado 鈥淓mprende Rapeando鈥 que combina el Rap + Emprendimiento + Aprendizaje y aqu铆 lo que hacemos es por ejemplo res煤menes de libros en 1 sola canci贸n. Quisiera implementar Inteligencia Artificial para que de alguna manera se pueda generar una canci贸n de Rap (o Rima) basado en un texto largo (como libro o un post).
S茅 que ya existe algo parecido en el habla inglesa (programas que generan letras de Rap), pero no est谩 con la esencia de lo que yo quiero. Me met铆 a aprender programaci贸n con ese objetivo y espero que en unos a帽os lo pueda cumplir =)

A帽o 2036: los robots toman el control de la humanidad

Me gust贸 mucho este repaso de la historia del ML

Machine Learning
La definimos como la capacidad de una computadora de aprender a resolver un problema sin ser espec铆ficamente programadas para ello.
Historia del Machine Learning

  • Todo comienza con el Teorema de Bayes
  • En 1950 Alan Turing establece las bases del aprendizaje de las computadoras (Computing machinery and intelligence)
  • En 1951 Marvin Minsky crea la primera red neuronal
  • En 1952 Arthur Samuel crea el primer programa que juega damas chinas, si bien era un programa que calculaba los siguientes movimientos, gracias a ello deducimos que el aprendizaje humano se basa en memorizar y generalizar.
  • En 1957 Frank Rosenblat inventa el perceptron que reconoce los d铆gitos escritos a mano y los representa computacionalmente.
  • En 1963 se programa la primera red adversarial (pone a competir a dos computadoras una contra la otra y as铆 automatizar las reglas de un juego)
  • En 1967 se inventa el algoritmo de nearest neighbours que permite la identificaci贸n de patrones dentro de datos que ya existen. Se aplic贸 al calculo de la ruta m谩s eficiente
  • En 1969 Marvin Minsky escribe el libro Perceptrons, donde demuestra matem谩ticamente la imposibilidad del avance de la Inteligencia Artificial a trav茅s de redes neuronales (sin embargo no considero la posibilidad de a帽adir capas de complejidad a estas), esto detuvo la investigaci贸n de redes neuronales por un tiempo
  • En 1979 se crea el Stanford cart que era un veh铆culo de navegaci贸n aut贸noma en interiores.
  • En 1992 Se desarrolla el primer programa que juega backgammon
  • En 1997 Deep Blue de IBM derrota al campe贸n mundial de ajedrez Gary Kasparov
  • En 1998 se libera el data set MNIST que consta de d铆gitos elaborados a mano con sus respectivas etiquetas
  • En 2009 Fei Fei Li libera ImageNet un dataset de im谩genes de calidad debidamente etiquetadas.
  • En 2011 Watson de IBM logra ganar el juego de jeopardy
  • En 2012 se realiza un proceso de identificaci贸n de im谩genes a partir del dataset de YouTube
  • En 2014 Facebook implementa un algoritmo de reconocimiento de rostro
  • En 2016 Alpha Go de Google derrota al campe贸n mundial de Go Fan Hui

Uso del Machine Learning

  • Resolve un problema imposible de programar con que no tenga un algoritmo conocido que lo resuelva
  • Entender patrones que no podemos ver a simple vista (data mining)

Tipos de algoritmos:

  • Aprendizaje supervisado/ No supervisado (el aprendizaje supervisado compara los resultados obtenidos con los correctos de entrenamiento, el no supervisado no requiere de estos datos de entrenamiento)
  • Batch / Online learning (los algoritmos batch se entrenan una sola vez y los online learning se van actualizando a medida que los usamos)

Machine learning se utiliza cuando:

  • El problemas es muy complejo y no se conoce un algoritmo para solucionarlo.
    -Ayudar a los humanos a entender patrones.
    -Llegar a conclusiones de manera autom谩tica a trav茅s de computo
    Notas:
    El aprendizaje supervisado es el no etiquetado y el supervisado pues el etiquetado.
    El aprendizaje puede ser bach( se genera una vez y se aplica solo esa vez). O el online learning(donde el modelo se actualiza conforme obtiene datos).
    Los humanos memorizamos y generalizamos aprendizajes, al igual que algunos algoritmos de machine learning.
    Rara vez utilizaremos los algoritmos de Machine learning de manera directa, m谩s bien lo har谩s a trav茅s de librer铆as, pero es bueno saber como funcionan.
    Machine Learning NO es Skynet

Curiosidad morbosa a quien les gusta los moba chavos;
Openai derroto en 2019 a campeones en el dota 2

Tambien deep mind creo el alpha star que vecnio a los mejores jugadores de Star Craft II

https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii

Falt贸 mencionar el aprendizaje por refuerzo, o reinforcement learning

Soy ajedrecista y de hecho Garry Kasparov derrot贸 a Deep Blue en el primer match jugado en 1996.
Deeper Blue una versi贸n nueva de Deep Blue jug贸 de nuevo contra Garry en 1997 y logr贸 derrotarlo convirti茅ndose en la primer computadora en derrotar a un campe贸n del mundo vigente.
Su programa de ajedrez fu茅 escrito en lenguaje C.
https://es.wikipedia.org/wiki/Deep_Blue_(computadora)

Yo agregar铆a por ejemplo que en 1966 se crea a ELIZA, primer chatbot que implementa lenguaje natural, y en 1994 dos vehiculos aut贸nomos recorren 1000 km de autopista en par铆s

Hace un tiempo vi este video de como DeepMind de Golgle, una inteligencia artificial creada por ellos, aprendi贸 sola a caminar y moverse, con par谩metros y escenarios previamente definidos. Me llama poderosamente la atenci贸n en lo relacionado con rob贸tica y veh铆culos aut贸nomos. Espero les guste como a mi https://www.youtube.com/watch?v=gn4nRCC9TwQ

Este tema si me causa mucha intriga. Continuare con sus recomendaciones de estudio!

Por favor este curso es oro!

Bayes crea el teorema de bayes => Alan turing identifica que todo se puede programar con cosas 鈥渂ases鈥 => Marvin minsky e investigadores 鈥渕odernos鈥 aprovechan las bases y crean lo que tenemos hoy en dia

Me ha encantado esta clase, defintivamente es especial resumir de esta manera tantos a帽os de historia para que sea m谩s digerible hacia los estudiantes y, as铆 la motivaci贸n crezca mucho m谩s! Les dejo un enlace de una serie de Youtube Originals que les puede interesar https://www.youtube.com/playlist?list=PLjq6DwYksrzz_fsWIpPcf6V7p2RNAneKc

Para quienes quieren profundizar Mathematics for Machine Learning es un libro espectacular, sin embargo debes tener un fundamento 鈥渞iguroso鈥 en algebra lineal y calculo.

驴Cu谩ndo vamos a crear a J.A.R.V.I.S?

Alquien sabe como aparece Fei Fei Li en LinkedIn?

Libro sobre machine learning por IBM, gratis

https://www.ibm.com/ar-es/analytics/machine-learning

Creo que encontr茅 el amor de mi vida

Perceptrons lo escribe con Seymour Papert, ambos cient铆ficos del MIT, Papert cre贸 el primer lenguaje de prgoramaci贸n para ni帽os: Logo, y fue el primero en ver el potencial educativo de la computadora.

Lo que me pareci贸 muy interesante ultimamente, es el Project Debater desarrolado por IBM (https://www.youtube.com/watch?v=7pHaNMdWGsk)

Muy buena historia

En este link puede ver otros proyectos tambien de IBM que logran ganar pero esta vez en el ambito de los debates a los humanos https://www.microsiervos.com/archivo/ia/ibm-debater-inteligencia-artificial-debate-humano.html

Hola,

Seria bueno que mencionaras a Yan LeCun, en la introducci贸n de las Redes Neuronales Convolucionales (CNN).

El documental 鈥淎lphaGo鈥 muestra detalladamente como fue la derrota del campe贸n mundial de este juego.

Documental: https://youtu.be/WXuK6gekU1Y

Les dejo este canal de YouTube en el que se habla bastante de inteligencia artificial en espa帽ol.
Dot CSV

Esta Ted Talk habla sobre lo que actualmente es capaz la AI aplicado al 谩rea de dise帽o y c贸mo puede aumentar las capacidades humanas

https://www.youtube.com/watch?v=aR5N2Jl8k14

Les comparto la recreaci贸n de una partida historica muy interesante entre Gary Kasparov y la computadora Deep Blue:
https://youtu.be/LFOA04C3uIQ

Alphastar fue el software que en 2019 logr贸 derrotar a jugadores profesionales de starcarft 2. Este fue otro hito de la AI en los 煤ltimos a帽os

Un dato interesante para tener en cuenta: AlphaGo, el programa de inteligencia artificial que venci贸 al camp茅on mundial de Go, tuvo una versi贸n mejorada a帽os despu茅s, llamada AlphaGo Zero, la cual solo tiene en su programaci贸n las reglas b谩sicas del juego. 0 intervenci贸n humana agreg谩ndole jugadas famosas. AlphaGo Zero se entren贸 durante 3 d铆as jugando contra s铆 mismo 5 millones de partidas, donde realiz贸 jugadas que nunca nadie hab铆a visto. Luego enfrent贸 a su predecesor AlphaGo. Le gan贸 100 a 0.

En 2020 Alpha Fold 2: un logro impresionante que marca un antes y un despu茅s en el estudio de las prote铆nas. Predecir estructuras a partir de sus amino谩cidos.

La m谩quina le hizo trampa a Kasparov, pero igual fue super sorprendente como ese motor de ajedrez venci贸 al campe贸n鈥 Ese fue un punto de inflexi贸n en el ajedrez ya que ahora hay varios casos de maestros y gran maestros que se le ha encontrado usando m贸dulos de ajedrez en competencias, teniendo resultados sorprendentes pero ensuciando mucho el juego limpio y en otros casos dudando del performance en el juego si fue el motor o el ajedrecista.

La forma en c贸mo hemos programado, es darle a la computadora, directamente las 贸rdenes de lo que tiene que hacer.

"Es el campo de estudio que le da a las computadoras la habilidad de aprender sin ser ecpl铆citamente programadas" - Arthur Samuel, 1959

Wow! Toda la informacion de esta clase es oro puro!

Me intriga que llegue el momento en el que AI determine estrategias definitivas para ganar un partido de f煤tbol o alg煤n otro deporte de equipo de humanos. Considerando que a pesar de las indicaciones de un estratega, las personas toman decisiones individuales.

El record de armar el cubo de Rubik, creo que el record humano en la categor铆a 3x3 era de 5.4 segundos y las computadoras duran menos de 1 segundo

Tic Tac Toe = Triqui en 馃嚚馃嚧 馃槃

Aqu铆 descubriendo quien es Fei Fei Li, y que tiene una fundaci贸n para ense帽ar IA llamada AI4all y 隆PUM! el conocimiento abre un nuevo camino en mi cabeza.

Los Robots de Trading que implementan tecnicas de reconocimiento de patrones para lograr crear una estrategia con alta probabilidad de exito a la hora de tranzar una operacion en el mercado bursatil.

A煤n no llega a ser Terminator pero, si una de las IA de Google se 鈥渆noj贸鈥 al no poder resolver un problema, y las IA de Facebook fueron apagadas al comenzar a desarrollar un 鈥渋dioma propio鈥 pues鈥

Muy buena introducci贸n

Yo aprendi en otros cursos a implementar las bibliotecas pero sin entender muy bien el contexto, me parece genial esta aclaracion

A que juego se refiere en el minuto 13:58? No llego a entender el nombre, si alguien lo sabe, agradecer铆a que me lo dijera

Cuando debes utilizar machine learning

En este proyecto utilizan machine learning para jugar el juego de Starcraft, este es uno de los juegos mas complejos que existen.
https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii

es programar sin programar

todo empezo con un teorema re simple

Ahora conozco mejor el proceso como surgi贸 Machine learning. Gracias

The perceptron gener贸 lo que se llama el gran invierno dela inteligencia artificial

馃槺Impresionante resumen de la historia de ML, me gust贸 mucho.

#davidCursoDeAI

La biblia del Machine Learning actualmente es este libro, ojo, desde el punto de vista estad铆stico: https://www.amazon.com/-/es/Trevor-Hastie/dp/0387848576
Los modelos de ML implementados en librer铆as como scikit-learn se basan en la matem谩tica descrita en el libro.

AlphaZero es el 煤ltimo ejemplo en ajedrez. Es un software que aprendi贸 desde cero a jugar ajedrez. Y super贸 a la inteligencia humana en pocas horas!

El ordenador de ibm predice un embarazo, solo con analizar la compra de una mujer

Machine Learning no es Skynet 馃槮

Arthur Samuel

Que emoci贸n, me da empezar este tema! 馃コ馃ぉ馃コ

Cuando al final menciona el juego Go, como aquel con mas complicado y con mas cantidad de combinaciones posibles, mi pregunta es: no es mas logico que la computadora pueda vencer al humano en este tipo de juegos que en otros mas simples, ya que la computadora tiene mucha mas facilidad para analizar miles de situaciones diferentes?

Cuando dice que la diferencia entre supervisado y no supervisado es que est谩 etiquetado, 驴a qu茅 se refiere?

Definici贸n Machine Learning.

Dos datos m谩s:

El ML ya esta cambiando el futbol, con el Liverpool paso recientemente ac谩 encuentran la info medium liverpool

Hay muchos avances usados para bien y mal como las fake images鈥 y esos y muchos otros avances se han dado gracias a la mejor potencia de las GPU para el procesamiento paralelo.

Pensando sobre el c谩lculo multivariable, estoy pensando que los juegos de mesa fueron los primeros en aplicarse la IA porque tienen variables(reglas) muy claras y f谩ciles de definir.

Pero es sorprendente como en ambientes multivariables (videojuegos o los deep fake), se pueden implementar esas t茅cnicas.

Y quien invento el Alpha Go? Cual es su historia? Esto es interesante. Gracias.

En Per煤 ese juego se llama michi (palabra de cari帽o para los gatos), adem谩s suena como el apellido Michie, curioso.

divertido escuchar criticar a muchas personas por instalar tik tok en los celulares porque los chinos nos tendran fichados en nuestro reconocimento facial, cuando facebook ya lo hace desde 2014 y vendio su informacion a Cambrich Analitic

Tambi茅n te encant贸 la clase? Muy ch茅vere y genial verdad? ML all谩 vamos!!! Uhuuu!

Comparto mis NOTAS:
驴Qu茅 es Machine Learning?
鈥淓s el campo de estudio que le da a las computadoras la habilidad de aprender sin ser expl铆citamente programado鈥(Arthur Samuel, 1959)
Machine Learning no es inteligencia en el sentido humano o biol贸gico , son simplemente algoritmos matem谩ticos muy inteligentes que nos permiten llegar a conclusiones como si un humano se hubiera sentado a pensar y reflexionar.
Los algoritmos que veremos recuerdan informaci贸n y tambien generalizan la informaci贸n.
Machine Learning se utiliza cuando:

  • Programar un algoritmo es imposible.
  • El problema es muy complejo o no se conocen algoritmos para resolverlo.
  • Ayuda a los humanos a entender patrones.(data mining)
    Existe Machine Learning: aprendizaje supervisado vs no supervisado (principal diferencia es si esta etiquetado o no).
    T茅cnicas Batch vs online Learning, significa que si el modelo funciona una sola y vez se aplica, o si este modelo se va actualizando

No pude evitar escuchar y relacionarlo con fractales.

que locura

Juraba que los primeros pasos de Machine Learning se hab铆an dado en los a帽os 90 tal vez, es impresionante ver como desde los 50 ya hab铆an indicios de temas que a煤n hoy nos parecen admirables.
En esta parte resalto los algoritmos de redes sociales, aprenden de tus gustos e intereses para mostrarte siempre lo que realmente quieres ver (aplica tambi茅n en plataformas como Netflix)

Les comparto este incerible canal que habla de IA de una forma muy simple y apasionante: https://www.youtube.com/channel/UCy5znSnfMsDwaLlROnZ7Qbg

Nota importante: Machine Learning no es Terminator . xd

Me gusta mucho como David da ejemplos hist贸ricos sobre los temas que trata, aprendemos y nos culturizamos al tiempo hehe

Este video queda para mis fav

Si quiero identificar s铆 es un 谩rbol har铆a algo como [material, altura] S铆 quiero distinguir qu茅 tipo de 谩rbol es pondr铆a como [material, altura, color, tama帽o de hoja, frutos?, es perenne?] No se me ocurre m谩s jajah
<h3>Introducci贸n a Machine Learning.</h3>
  • Muy pocas veces se aplica de manera directa de Machine Learning, la mayor铆a de las veces solo usaras una librer铆a 馃捇.

Es el campo de estudio que le da a las computadoras la habilidad de aprender sin ser expl铆citamente programadas 鈫 Arthur Samuel, 1959.

  • No hay que confundir ML con la idea cinematogr谩fica alrededor de este concepto 馃槅.
  • Alan Turing nos dio la primera aproximaci贸n de como las computadoras pueden aprender. Despu茅s, Marvin Minsky cre贸 la primera red neuronal en 1951; en ese entonces, las computadoras no eran tan poderosas, por lo que la red neuronal solo ten铆a una capa, aun as铆, se mostr贸 que las computadoras pueden aprender 馃彨.
  • En 1952, Artur Samuel crea el primer programa que sabe jugar damas chinas 馃幉.
  • 1957, Frank Rosenblatt crea el perceptr贸n; es una maquina muy particular que pod铆a reconocer d铆gitos escritos a mano 馃く.
  • En 1963, se crea la primera red neuronal adversarial.
  • En 1967, se inventa el algorimto de k-nearest neighbours.
  • En 1969 Markvin Minsky escribe el libro de Perceptrons, y detuvo la investigaci贸n relacionada con redes neuronales porque demostr贸 matem谩ticamente que no se pod铆a seguir en este camino, pero el problema es que no considero que pod铆a hab铆an redes de capas ocultas 馃憗锔.
  • En 1979, se gener贸 el stanford car, que navegaba dentro sin chocar.
  • En 1997 fue el gran a帽o, cuando la computadora Deep Blue derrot贸 a Garry Kasp谩rov (campe贸n mundial) en ajedrez 鈾燂笍. Aqu铆 nos dimos cuenta como sociedad que el ML ten铆a grandes capacidades.
  • En 1998 se libera el dataset Mnist, que son d铆gitos escritos a mano etiquetados; es un cl谩sico.
  • En 2009 Fei Fei Li (gran contribuidora al ML a nivel mundial) liber贸 el dataset ImageNet. Descubri贸 que los algoritmos no pod铆an ser precisos sin im谩genes de alta calidad etiquetadas.
  • En 2012, YouTube tenia muchas im谩genes de gatos, Google proces贸 todos los videos para detectar gatos en imagenes.
  • En 2014, Facebook implementa si algoritmo de reconocimiento facial 馃檧.
  • En 2016 se derroto al campe贸n del juego m谩s complicado conocido, Go. La computadora Alpha Go de Google. Se perdi贸 el dominio humano de los sistemas cerrados (sistemas con reglas espec铆ficas).
  • Machine Learning se usa cuando:
    • Programar un algoritmo es imposible.
    • El problema es muy complejo o no se conoce algoritmos para resolverlo.
    • Ayuda a los humanos a entender patrones (data mining).
  • Aprendizaje supervisado vs no supervisado vs semisupervisado (etiquetado o no).
  • Batch vs online learning (integraci贸n de nueva informaci贸n o no).

Sobre el caso de la partida de Go en el 2016, se ha grabado un documental sobre la IA. Les comparto el link porque result贸 interesante de ver: Documental - AlphaGo

No les pasa que el profesor David Aroesti te hace amar las ciencias de datos y la IA? 馃槃

Que buen viaje en la historia de Machine Learning! que buen resumen!

Introducci贸n a Machine Learning


Rara vez en la vida profesional implementaremos estos algoritmos de manera directa, usualmente usaremos una librer铆a, pero es importante entender el contexto.

鈥淓s la capacidad de las computadoras de aprender sin ser expl铆citamente programadas鈥
-Arthur Samuel, 1959

驴Qu茅 no es Machine Learning?
No es el terminator (por ahora, gi帽o gi帽o). No hay inteligencia en el sentido biol贸gico, son solo algoritmos matem谩ticos rot铆simos creados por humanos, son astutos, como si un humano se hubiera puesto a hacerlo.

Breve Historia del ML:

  • Todo comienza con Bayes, que nos otorg贸 una forma de pensar matem谩ticamente como incorporar la evidencia que obtenemos del mundo real, para poder llegar a conclusiones cada vez m谩s correctas de manera recursiva, es decir, +Datos del mundo real = +Correctas van a ser nuestras aproximaciones.
  • 1950, Alan Turing (Don Alan Turing para nosotros los mortales), nos dio una peque帽a aproximaci贸n de como las computadoras pueden aprender.
  • 1951, Marvin Minsky cre贸 la primera red neuronal. Aun se usaban cuartos completos para las computadoras, por lo que esta red solo tenia una capa(layer), pero se demostr贸 la capacidad de que las computadoras dados los algoritmos correctos pod铆an aprender.
  • 1952, Arthur Samuel genera el primer programa que sabe jugar damas chinas, mediante c谩lculos de los siguientes movimientos. Nos permiti贸 entender que aprender 鈥渉umanamente鈥 significaba 2 cosas: Memorizar, Generalizar.
  • 1957, Frank Rosenblatt inventa el perceptr贸n, es una m谩quina que reconoc铆a d铆gitos escritos a mano y convertirlos a una representaci贸n computacional.
  • 1963, Donald Michie genera la primera red adversarial donde se permite que las computadoras puedan jugar constantemente para poder entender como automatizar las reglas de un juego, en este caso el Tic Tac Toe.
  • 1967, se inventa el algoritmo 鈥淭he nearest neighbours鈥 , es la primera aproximaci贸n para detectar patrones atraves de datos que ya pre-existen, su primera aplicaci贸n fue para calcular rutas.
  • 1969, Marvin Minsky escribe el libro 鈥淧eceptrons鈥 un hito en el ML, por que detuvo en seco toda la investigaci贸n relacionada con redes neuronales, ya que demostr贸 matem谩ticamente que las redes que el mismo hab铆a generado no permit铆an seguir adelante dentro de las investigaciones de IA, el problema de esto es que Minsky no se dio cuenta que pod铆an existir redes con layers escondidas, solo estaba teniendo en cuenta las de una capa, a pesar de esto, por su reputaci贸n causo que casi todo el financiamiento en investigaci贸n de redes neuronales se detuviera por casi 20 a帽os 馃槮.
  • 1979, Se genera el Stanford Cart, donde los estudiantes generaron algoritmos para que el carro pudiera navegar indoors y pudiera evitar obst谩culos. Este es el gran predecesor de los veh铆culos aut贸nomos.
  • 1992, Se sigue con la idea de los juegos de mesa, son un gran campo de experimentaci贸n para la IA y el ML, ya que permiten de alguna manera extraer ciertos aspectos de la inteligencia humana y en 1992 se genera el primer juego autom谩tico de backgammon.
  • 1997, El gran a帽o que marco el paso a la IA moderna. La computadora de IBM 鈥淒eep Blue鈥 derrot贸 a Garry Kasparov, el gran campe贸n durante mucho tiempo del ajedrez.
  • 1998, se libera el data set 鈥淢nist鈥, el cual se sigue usando como el 鈥淗ello World鈥 del ML y la idea es que el data set ten铆a muchos d铆gitos escritos a mano y tambi茅n ten铆a las etiquetas de estos d铆gitos potencializando los algoritmos usando computo de mayor escala aprovechando la ley聽de Moore.
  • 2009, Fei-Fei Li libero el data set imagenet, es una de las grandes contribuidoras de ML a nivel mundial. Se dio cuenta que los algoritmos no iban a poder ser tan precisos sin acceso a im谩genes de alta calidad con etiquetas de cada una de ellas. Una vez liberado el data set, se gener贸 la explosi贸n actual de las t茅cnicas del ML y permiti贸 que estas t茅cnicas se pudieran incorporar en la vida de los consumidores.
  • 2011, La computadora de IBM derrot贸 a 2 de los grandes campeones de Jeopardy usando redes neuronales, reconocimiento de patrones, acceso a informaci贸n muy r谩pida y demostr贸 que las computadoras a煤n en juegos muy abstractos, d贸nde normalmente no hab铆an podido entrar pod铆an derrotar a los meros meros.
  • 2012, YouTube ten铆a muchas im谩genes gatitos, y Google atraves de la nube logr贸 procesar todos los videos de YouTube para poder detectar a los gatitos en im谩genes.
  • 2014, Facebook implement贸 su algoritmo de reconocimiento facial.
  • 2016, La computadora de Google 鈥淎lpha Go鈥 derrot贸 al campe贸n del mundo en el juego mas complejo dentro de los juegos de mesa 鈥淕o鈥.

Entonces para predecir las operaciones de trading en la bolsa o criptomonedas se tiene que utilizar Machine Learnig, excelente.

2015 鈥 Elon Musk y Sam Altman, entre otros, fundan la organizaci贸n sin 谩nimo de lucro OpenAI, dot谩ndola de 1000 Millones de d贸lares con el objetivo de asegurar que el desarrollo de la Inteligencia Artificial tenga un impacto positivo en la humanidad.

Wow realmente hay mucho que no sabemos

mi cientifico informatico favorito alan turing

Incre铆ble toda la evoluci贸n

Wow!! qu茅 emocion 馃槂

Comienza lo bueno

Entonces por eso las predicciones son mas exactas en lo algoritmos de Amazon, Youtube , Spotify.
Entre mas usuarios mas datos y mas precisos , es como un monopolio de datos , como de Facebook , Y muchas redes sociales que ya tienen muchos datos.

Super clase, la disfrute much铆simo.