Crea una cuenta o inicia sesi贸n

隆Contin煤a aprendiendo sin ning煤n costo! 脷nete y comienza a potenciar tu carrera

Qu茅 es machine learning y su historia

3/16
Recursos

Refuerza y practica tu ingl茅s con los cursos de English Academy 馃殌
Screenshot 2023-10-19 at 11.56.36鈥疉M.png

Aportes 23

Preguntas 5

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

I strongly recommend to the people who is interest on the advance of Machine Learning/Deep Learning/ IA to read the book titulated 鈥淎lquimia: C贸mo los datos se est谩n transformando en oro鈥 By: Juan Manuel L贸pez Zafra. In that book, they look to many cases of use of that type of technology, in my opinion, is a really good book to introduce yourself in the daily use of the data and how important it鈥檚 nowadays, y lo importante que seran en un futuro, no tan lejano.

Timeline of Machine Learning

Ahora si pongo la Time Line of Machine Learning:

por qu茅 el curso est谩 ingl茅s ?

It麓s amazing!!! I didn麓t know that Platzi has a Machine learning course in english, thanks a lot. I would have prefer the text would have written in english also.

The English course is challenging, but the presentation help me a lot with the technical vocabulary

ML es la ciencia de usar algoritmos para identificar patrones en datos con el fin de resolver un problema de inter茅s.

Los conjuntos de datos van a contener features que describen nuestros datos. Se puede encontrar en su uso patrones o clusters.

ML aparecen en problemas del d铆a como el filtro de spam de los mails o como los sistemas de recomendaci贸n de websites como Amazon.

Actualmente AI/ML es una 谩rea en pleno crecimiento donde el financiamiento a empresas que desarrollan soluciones basadas en esta tecnolog铆a sigue aumentando.

Me demoro el doble de tiempo en asimiliar porque esta en ingles, me jodieron el curso

I really like the way Natasha esplains the concepts in such a great way 馃憤鉁旔煡

m谩s cursos as铆 en ingl茅s :)
Estos modelos pueden ser utilizados con datos, por ejemplo del DANE, regularmente son muestras probabil铆sticas e incluyen factores de expansi贸n
I dunno why the teacher speaks in english, but the slides are in spanish... Quite confusing.

Creo Que Aunque el horador este hablando en ingles, las diapositivas y el habilitar los subtitulos son de mucha ayuda para entender y completar el curso.

Que es ML: Es la ciencia de usar algoritmos para identificar patrones en los datos con el fin de resolver un problema de interes. Los modelos aprender patrones de los features. 1940 IBM crea el primer programa para juagr damas. 1959 Arthur samuel usa el termino "Machine Learning". 1990-2020 Roombas aspiradoras. Crecimiento de asistentes personales. AlphaGo vence al campeon mundial en el complejo juego de Go con cerca de 2^170 posibles soluciones jugables.
El "Machine Learning" (ML), o aprendizaje autom谩tico, es una rama de la inteligencia artificial (IA) que se centra en el desarrollo de sistemas capaces de aprender y mejorar a partir de la experiencia sin ser expl铆citamente programados. Utiliza algoritmos y modelos estad铆sticos para que las computadoras realicen tareas sin instrucciones espec铆ficas, identificando patrones y tomando decisiones basadas en datos. ### Historia del Machine Learning: 1. **Inicios (1950s - 1970s):** * **1950s:** Alan Turing crea el "Test de Turing" para medir la inteligencia de una m谩quina. * **1952:** Arthur Samuel desarrolla un programa de juego de damas que aprende de sus propias partidas. * **1967:** Se introduce el algoritmo del vecino m谩s cercano. 2. **Desarrollo Temprano (1980s):** * **1980s:** Popularizaci贸n de las redes neuronales y algoritmos como el backpropagation. * **1985:** Se introduce el concepto de "aprendizaje profundo". 3. **Expansi贸n y Popularizaci贸n (1990s - 2000s):** * **1990s:** Avances en algoritmos de aprendizaje autom谩tico y aumento en la disponibilidad de datos digitales. * **1997:** IBM Deep Blue vence al campe贸n mundial de ajedrez Garry Kasparov. * **2006:** Geoffrey Hinton et al. reviven el inter茅s en las redes neuronales con el aprendizaje profundo. 4. **Era Moderna (2010s - Presente):** * **2010s:** Explosi贸n en la popularidad del ML debido a la mayor capacidad de c贸mputo, grandes conjuntos de datos y avances en algoritmos. * **2012:** Avance significativo en el reconocimiento de im谩genes con redes neuronales convolucionales (CNNs). * **2016:** AlphaGo de Google DeepMind vence al campe贸n mundial de Go. ### Componentes Clave del Machine Learning: 1. **Datos:** El ML requiere grandes cantidades de datos para entrenar los modelos y mejorar su precisi贸n. 2. **Modelos y Algoritmos:** Incluyen desde simples regresiones lineales hasta complejas redes neuronales. 3. **Aprendizaje:** Puede ser supervisado, no supervisado, semi-supervisado o por refuerzo. 4. **Evaluaci贸n y Mejora:** Los modelos se prueban y ajustan continuamente para mejorar su rendimiento. ### Aplicaciones Actuales: * **Reconocimiento de voz y de imagen** * **Veh铆culos aut贸nomos** * **Predicci贸n y an谩lisis de datos** * **Sistemas de recomendaci贸n** * **Diagn贸stico m茅dico automatizado** El machine learning contin煤a evolucionando r谩pidamente, impulsando avances significativos en tecnolog铆a y ciencia. Su capacidad para aprender y adaptarse lo hace fundamental en la era de la informaci贸n y la digitalizaci贸n.
The slides should be on English too, because read spanish and listen English does not help to understand the concepto My miind has to be seitching between both languages
馃憖馃憖
Muy interesante la introduccion y breve

La historia Del aprendizaje autom谩tico

  • Se remonta a la d茅cada de 1950, cuando los cient铆ficos e investigadores comenzaron a explorar la idea de ense帽ar a las m谩quinas a aprender y adaptarse por s铆 mismas. Uno de los primeros hitos importantes en el campo fue el desarrollo del modelo de neurona artificial por Warren McCulloch y Walter Pitts en 1943, que fue una representaci贸n matem谩tica de una neurona biol贸gica y sent贸 las bases para los modelos de redes neuronales.

En la d茅cada de 1950 y 1960

  • Se realizaron avances significativos en el campo del aprendizaje autom谩tico. Uno de los primeros sistemas de aprendizaje autom谩tico fue el Perceptr贸n, desarrollado por Frank Rosenblatt en 1957. El Perceptr贸n fue capaz de aprender a reconocer patrones simples en im谩genes y fue uno de los primeros ejemplos de aprendizaje supervisado.

Durante las d茅cadas siguientes, el aprendizaje autom谩tico se desarroll贸 gradualmente con nuevos algoritmos y enfoques. Sin embargo, a mediados de la d茅cada de 1980, el inter茅s en el campo disminuy贸 debido a las limitaciones de los algoritmos disponibles en ese momento y la falta de grandes conjuntos de datos y potencia de c贸mputo.


  • El resurgimiento del aprendizaje autom谩tico comenz贸 en la d茅cada de 1990 con avances en las t茅cnicas de aprendizaje autom谩tico basadas en redes neuronales y la disponibilidad de conjuntos de datos m谩s grandes. Adem谩s, los algoritmos de aprendizaje autom谩tico basados en m茅todos estad铆sticos, como las m谩quinas de vectores de soporte (SVM) y los 谩rboles de decisi贸n, ganaron popularidad.

  • Con el advenimiento del siglo XXI, el aprendizaje autom谩tico ha experimentado un r谩pido crecimiento y una mayor adopci贸n en una amplia gama de aplicaciones. Esto se ha debido en gran parte a la proliferaci贸n de datos digitales y el aumento de la capacidad de procesamiento computacional. Adem谩s, los avances en el campo, como el uso de redes neuronales profundas (deep learning), han llevado a mejoras significativas en el rendimiento y la precisi贸n de los modelos de aprendizaje autom谩tico.

Hoy en d铆a, el aprendizaje autom谩tico se utiliza en numerosas aplicaciones y sectores, incluyendo reconocimiento de voz, visi贸n por computadora, procesamiento del lenguaje natural, comercio electr贸nico, medicina, finanzas y m谩s. El campo contin煤a evolucionando r谩pidamente, impulsado por nuevos algoritmos, t茅cnicas de modelado y avances en hardware y tecnolog铆a de datos.

Hay opcion de subtitulos, que bien para los que aun no manejamos bien el listen en English

wow ! I didn't know that platzi had a course in english, Thats great and a challenge and new motivation!

I鈥檓 ready for take this course. 馃槃 i need practice my listening and of step, learn more about ML