I strongly recommend to the people who is interest on the advance of Machine Learning/Deep Learning/ IA to read the book titulated “Alquimia: Cómo los datos se están transformando en oro” By: Juan Manuel López 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’s nowadays, y lo importante que seran en un futuro, no tan lejano.
Introducción a machine learning
Introducción a machine learning
Qué es machine learning y su historia
Framework de ciencia de datos: herramientas para machine learning
Tipos de modelos de machine learning
Reto: procesando un dataset
Algoritmos simples de machine learning
La “receta” para aplicar algoritmos de machine learning
Regresión lineal
Regresión logística
Árboles de decisión
Algoritmos de aprendizaje no supervisado
Reto: explora diferentes ejemplos de modelos y qué pueden hacer
Deep learning
Cómo funcionan las redes neuronales
Cómo mejorar las predicciones de redes neuronales
Cómo es el entrenamiento de las redes neuronales
Conclusiones
Cómo profundizar en machine learning y deep learning
Qué más aprender de inteligencia artificial
Qué es machine learning y su historia
2/16Recursos
Transcripción
¿Qué es el machine learning?
El machine learning es la ciencia que explora el uso de algoritmos para identificar patrones en conjuntos de datos y resolver tareas específicas. Esta disciplina se centra en tomar descriptores o características de los datos—como X-uno y X-dos en los ejemplos mencionados—y descubrir relaciones significativas que nos permitan responder a preguntas críticas. No es sólo un concepto abstracto; tiene aplicaciones prácticas en nuestra vida diaria. Un ejemplo palpable es el filtro de spam en tu correo electrónico, donde sofisticados algoritmos determinan cuáles mensajes evitar.
¿Cómo se aplica el machine learning en nuestro día a día?
La utilización de algoritmos de machine learning no es limitada a contextos académicos o de investigación; está profundamente integrada en la tecnología que usamos cotidianamente:
-
Filtros de correo spam: Empresas han invertido miles de millones para mejorar la detección de spam, alcanzando niveles de precisión impresionantes. En 2015, por ejemplo, Google logró que un algoritmo identificara el spam con un 99.9% de efectividad.
-
Asistentes personales y dispositivos inteligentes: Desde asistentes en nuestros teléfonos hasta robots de limpieza como Roombas, estas tecnologías emplean machine learning para mejorar su desempeño y adaptarse mejor a nuestras necesidades.
-
Juegos de estrategia: El algoritmo tras AlphaGo, que superó a jugadores humanos en complejos juegos de mesa, muestra la potencia de machine learning en la toma de decisiones estratégicas.
¿Cuál es la historia del machine learning?
Aunque muchas veces se percibe el machine learning como un fenómeno reciente, sus raíces datan de los años 50. Desde entonces, ha evolucionado significativamente, impulsado por avances en recursos computacionales. Esta evolución ha permitido su aplicación en una amplia gama de áreas, desde programación para juegos sencillos hasta tecnologías avanzadas que impactan nuestro entorno cotidiano.
¿Por qué el machine learning es importante en el ámbito tecnológico actual?
El machine learning se ha convertido en un pilar dentro del mundo tecnológico por varias razones:
-
Crecimiento y relevancia: Es un campo en rápido crecimiento, reflejado en el aumento de inversión en startups dedicadas al machine learning y su presencia en las habilidades más demandadas dentro del sector tecnológico.
-
Nuevas oportunidades: Cada vez son más las oportunidades para que nuevos colaboradores contribuyan al crecimiento del campo. La encuesta de 2020 destacó a Python, machine learning y deep learning como algunas de las habilidades tecnológicas más buscadas.
En conclusión, no solo es relevante aprender sobre machine learning por sus diversas aplicaciones prácticas, sino también porque ofrece una plataforma para la innovación continua en tecnología. Si estás considerando involucrarte en este fascinante campo, ¡ahora es el momento perfecto para hacerlo! En las próximas etapas, exploraremos más sobre herramientas esenciales en ciencia de datos para fortalecer tu comprensión y aplicación del machine learning.
Aportes 26
Preguntas 4
Ordenar por:
Timeline of Machine Learning
por qué el curso está inglés ?
It´s amazing!!! I didn´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.
ML es la ciencia de usar algoritmos para identificar patrones en datos con el fin de resolver un problema de interés.
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 día como el filtro de spam de los mails o como los sistemas de recomendación de websites como Amazon.
Actualmente AI/ML es una área en pleno crecimiento donde el financiamiento a empresas que desarrollan soluciones basadas en esta tecnología sigue aumentando.
The English course is challenging, but the presentation help me a lot with the technical vocabulary
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 👍✔🥇
Excellent course!!
más cursos así en inglés :)
My mind blows up when i am reading in Spanish and listening in English at a time
Excellent course!!
Estos modelos pueden ser utilizados con datos, por ejemplo del DANE, regularmente son muestras probabilísticas e incluyen factores de expansión
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 automático, 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 explícitamente programados. Utiliza algoritmos y modelos estadísticos para que las computadoras realicen tareas sin instrucciones específicas, 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 máquina.
* **1952:** Arthur Samuel desarrolla un programa de juego de damas que aprende de sus propias partidas.
* **1967:** Se introduce el algoritmo del vecino más cercano.
2. **Desarrollo Temprano (1980s):**
* **1980s:** Popularización de las redes neuronales y algoritmos como el backpropagation.
* **1985:** Se introduce el concepto de "aprendizaje profundo".
3. **Expansión y Popularización (1990s - 2000s):**
* **1990s:** Avances en algoritmos de aprendizaje automático y aumento en la disponibilidad de datos digitales.
* **1997:** IBM Deep Blue vence al campeón mundial de ajedrez Garry Kasparov.
* **2006:** Geoffrey Hinton et al. reviven el interés en las redes neuronales con el aprendizaje profundo.
4. **Era Moderna (2010s - Presente):**
* **2010s:** Explosión en la popularidad del ML debido a la mayor capacidad de cómputo, grandes conjuntos de datos y avances en algoritmos.
* **2012:** Avance significativo en el reconocimiento de imágenes con redes neuronales convolucionales (CNNs).
* **2016:** AlphaGo de Google DeepMind vence al campeón mundial de Go.
### Componentes Clave del Machine Learning:
1. **Datos:** El ML requiere grandes cantidades de datos para entrenar los modelos y mejorar su precisión.
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. **Evaluación y Mejora:** Los modelos se prueban y ajustan continuamente para mejorar su rendimiento.
### Aplicaciones Actuales:
* **Reconocimiento de voz y de imagen**
* **Vehículos autónomos**
* **Predicción y análisis de datos**
* **Sistemas de recomendación**
* **Diagnóstico médico automatizado**
El machine learning continúa evolucionando rápidamente, impulsando avances significativos en tecnología y ciencia. Su capacidad para aprender y adaptarse lo hace fundamental en la era de la información y la digitalización.
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
Muy interesante la introduccion y breve
La historia Del aprendizaje automático
- Se remonta a la década de 1950, cuando los científicos e investigadores comenzaron a explorar la idea de enseñar a las máquinas a aprender y adaptarse por sí 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 representación matemática de una neurona biológica y sentó las bases para los modelos de redes neuronales.
En la década de 1950 y 1960
- Se realizaron avances significativos en el campo del aprendizaje automático. Uno de los primeros sistemas de aprendizaje automático fue el Perceptrón, desarrollado por Frank Rosenblatt en 1957. El Perceptrón fue capaz de aprender a reconocer patrones simples en imágenes y fue uno de los primeros ejemplos de aprendizaje supervisado.
Durante las décadas siguientes, el aprendizaje automático se desarrolló gradualmente con nuevos algoritmos y enfoques. Sin embargo, a mediados de la década de 1980, el interés en el campo disminuyó debido a las limitaciones de los algoritmos disponibles en ese momento y la falta de grandes conjuntos de datos y potencia de cómputo.
- El resurgimiento del aprendizaje automático comenzó en la década de 1990 con avances en las técnicas de aprendizaje automático basadas en redes neuronales y la disponibilidad de conjuntos de datos más grandes. Además, los algoritmos de aprendizaje automático basados en métodos estadísticos, como las máquinas de vectores de soporte (SVM) y los árboles de decisión, ganaron popularidad.
- Con el advenimiento del siglo XXI, el aprendizaje automático ha experimentado un rápido crecimiento y una mayor adopción en una amplia gama de aplicaciones. Esto se ha debido en gran parte a la proliferación de datos digitales y el aumento de la capacidad de procesamiento computacional. Además, los avances en el campo, como el uso de redes neuronales profundas (deep learning), han llevado a mejoras significativas en el rendimiento y la precisión de los modelos de aprendizaje automático.
Hoy en día, el aprendizaje automático se utiliza en numerosas aplicaciones y sectores, incluyendo reconocimiento de voz, visión por computadora, procesamiento del lenguaje natural, comercio electrónico, medicina, finanzas y más. El campo continúa evolucionando rápidamente, impulsado por nuevos algoritmos, técnicas de modelado y avances en hardware y tecnología 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’m ready for take this course. 😄 i need practice my listening and of step, learn more about ML
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?