Fundamentos de IA
¿Qué es inteligencia artificial?
Inteligencia artificial en nuestro día a día
¿Qué puede y qué NO puede hacer IA?
Conceptos y aplicaciones de IA
Data science y sub usos de IA
¿Cómo funciona el machine learning?
Casos de éxito y áreas de oportunidad con IA en la industria y empresas
Quiz: Fundamentos de IA
Deep learning: IA a profundidad
¿Qué es y cómo funciona el deep learning?
¿Cuándo utilizar y cuándo NO deep learning?
Quiz: Deep learning: IA a profundidad
Inteligencia artificial aplicada
Visión artificial
Procesamiento de Lenguaje natural: PLN
Aprendizaje por refuerzo
Inteligencia artificial generativa: ChatGPT y Dall-E
Quiz: Inteligencia artificial aplicada
Machine learning Open-source
Hugging Face 101: modelos
Hugging Face 101: Spaces
Quiz: Machine learning Open-source
Importancia de las matemáticas para desarrollar IA
¿Por qué es importante el álgebra lineal para IA?
¿Por qué es importante el cálculo para IA?
¿Por qué es importante la estadística y probabilidad para IA?
Quiz: Importancia de las matemáticas para desarrollar IA
Ética y uso de datos en IA
Ética en inteligencia artificial y datos
Dilemas éticos en inteligencia artificial
Data4Good
Quiz: Ética y uso de datos en IA
El futuro con IA
¿Qué nos depara el futuro con IA?
Reflexiones y cierre
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 224
Preguntas 16
Uno de los problemas que tengo en mi vida es la organización de mi tiempo, a veces no logro estimar las horas que me toma realizar diferentes tareas en el trabajo, por lo que creo que utilizar una herramienta de machine learning que logre recopilar las tareas más frecuentes con el tiempo estimado de realización y el tiempo real ejecutado, pueda predecir los mejores horarios y tiempos para desarrollar las tareas de todo un mes. Esto facilitaría mucho mi organización y productividad.
El machine learning es una rama de la inteligencia artificial que se enfoca en la construcción de algoritmos que pueden aprender de los datos sin ser programados explícitamente. Estos algoritmos pueden ser entrenados para realizar tareas específicas a través del análisis y la interpretación de los datos.
El proceso de machine learning generalmente se divide en tres etapas: entrenamiento, validación y prueba.
En la etapa de entrenamiento, el algoritmo de machine learning recibe un conjunto de datos de entrenamiento que incluye características y etiquetas. Las características son atributos que describen los datos y las etiquetas son las respuestas correctas que el algoritmo debe aprender a predecir. El algoritmo utiliza estos datos de entrenamiento para ajustar sus parámetros y mejorar su capacidad para hacer predicciones precisas.
En la etapa de validación, el algoritmo se prueba con un conjunto de datos de validación que no se utilizaron en el entrenamiento. La precisión del modelo se evalúa comparando las predicciones del modelo con las respuestas correctas en el conjunto de datos de validación. Si la precisión del modelo no es satisfactoria, se ajustan los parámetros del algoritmo y se repite la etapa de entrenamiento.
En la etapa de prueba, el modelo se prueba con un conjunto de datos de prueba que es independiente del conjunto de entrenamiento y del conjunto de validación. Esto permite evaluar la capacidad del modelo para hacer predicciones precisas en datos nuevos y desconocidos.
Existen tres tipos de aprendizaje en el machine learning: supervisado, no supervisado y por refuerzo.
En el aprendizaje supervisado, el algoritmo recibe un conjunto de datos de entrenamiento que incluye características y etiquetas. El objetivo del modelo es aprender a predecir las etiquetas correctas para nuevos datos en función de las características.
En el aprendizaje no supervisado, el algoritmo recibe un conjunto de datos de entrenamiento que solo incluye características y no hay etiquetas. El objetivo del modelo es encontrar patrones y estructuras en los datos y agruparlos en categorías.
En el aprendizaje por refuerzo, el algoritmo aprende a tomar decisiones en función de la retroalimentación que recibe. El algoritmo recibe una recompensa o un castigo en función de la precisión de sus decisiones y ajusta su comportamiento para maximizar la recompensa.
El machine learning tiene una amplia variedad de aplicaciones en muchos campos diferentes. Algunos ejemplos incluyen la clasificación de imágenes, el análisis de sentimientos, la detección de fraude, la predicción del clima y el procesamiento del lenguaje natural.
Me encantó la definición del concepto de modelo: Una representación sencilla de una realidad compleja.
=NOTAS=
Con el machine learning la programación es diferente ya que tenemos datos de entrada y las respuestas que deseamos obtener, el modelo lo que hará es generar las reglas que el mismo requiere para generar nuevas predicciones
El ciclo de vida es común para todos los modelos por lo cual los pasos de este ciclo de vida son:
Recopilar grande cantidad de datos (base de datos, sensores, sistemas, etc)
Preparación de los datos segmentando los datos y eliminando lo que no usemos
Hipótesis y modelo o sea escoger el modelo a usar
o Regresión lineal
o Regresión logística
o Árboles de decisión
o Random Forest
o Support Vector Machines (SVM)
o Redes neuronales artificiales (ANN)
o Redes neuronales convolucionales (CNN)
o Redes neuronales recurrentes (RNN)
o Modelos de agrupamiento (Clustering)
o Modelos de asociación
o Modelos de secuencias
o Máquinas de vectores de soporte
o Modelos de Markov ocultos
o Modelos de Naive Bayes
Entrenamiento del modelo: es generar escenarios para que el modelo realice predicciones sobre datos que nunca ha visto.
Evaluación del modelo: vamos a entregarle datos que nunca ha visto para evaluar los resultados.
Producción: es cuando nuestro modelo comienza a producir y ya está interactúan con clientes y datos reales.
Mejora y ajuste que es la etapa donde recolectamos gran cantidad de datos de nuestros usuarios para ir realizando ajustes y mejoras al modelo.
Están etapas se deben de realizar de continuo para que el modelo se ajuste a futuros cambios sobre las reglas de negocio.
Un problema de mi vida diaria es que en ocasiones logro abrumarme por la cantidad de información que encuentro, cuando quiero conocer de un tema en específico. Por ejemplo, aprender a hacer algo. Creo que se podría automatizar con Machine Learning, en un modelo donde se diga que se quiere hacer y el porqué (objetivo) y este basado en tus datos recopilados de (intereses, profesión, ocupación) te comparta la opción más clara para el propósito.
El ciclo de vida en un proyecto de Machine Learning es el conjunto de fases por las que atraviesa un proyecto de este tipo, desde la definición del problema hasta la implantación del modelo resultante. Estas fases se pueden resumir en las siguientes:
En esta fase se define el problema a resolver y se establecen los objetivos que se quieren alcanzar. También se recopilan los datos necesarios para el proyecto.
En esta fase se analizan los datos recopilados y se lleva a cabo su preparación, limpieza y selección. Se busca obtener un conjunto de datos de alta calidad para la construcción del modelo.
En esta fase se realizan las transformaciones necesarias en los datos para adaptarlos a los requisitos del modelo. Esto puede incluir la normalización de los datos, la selección de características relevantes y la reducción de la dimensionalidad.
En esta fase se selecciona el modelo de Machine Learning más adecuado para el problema a resolver. Se pueden probar diferentes modelos y técnicas para seleccionar el mejor en función de las métricas establecidas.
En esta fase se lleva a cabo el entrenamiento del modelo seleccionado. Se utiliza un conjunto de datos de entrenamiento para ajustar los parámetros del modelo y mejorar su rendimiento.
En esta fase se evalúa el rendimiento del modelo con un conjunto de datos de validación. Se comprueba si el modelo es capaz de generalizar bien a nuevos datos y se ajusta en caso necesario.
En esta fase se evalúa el rendimiento del modelo con un conjunto de datos de prueba. Se comparan los resultados obtenidos con las métricas establecidas en la fase de definición del problema.
En esta fase se implanta el modelo resultante en un entorno productivo. Se puede integrar en una aplicación, sistema o plataforma para su uso en la vida real.
En esta fase se lleva a cabo el mantenimiento del modelo. Se realizan ajustes y actualizaciones para asegurar su correcto funcionamiento a lo largo del tiempo.
Cada fase del ciclo de vida es importante y requiere una planificación y ejecución cuidadosa para garantizar el éxito del proyecto de Machine Learning.
Imaginemos que queremos que un programa aprenda a jugar bien flappy bird ¿Cómo lo logramos?:
utilizar algoritmos basados en matemáticas para que una máquina APRENDA a imitar dichos comportamientos ✅. 🧵
.
Es muy distinto:
.
📜Crear una lista de instrucciones (algoritmo) para que una máquina clasifique peras y manzanas.
.
🧠Enseñarle a una máquina a reconocer las características de cada fruta y que las clasifique.
.
La segunda opción es mucho más poderosa y puede ayudar a la máquina a identificar frutas incluso en situaciones complicadas. Este enfoque hace parte del machine learning 🤖, mientras que el primero no.
.
Machine learning hace parte de la IA pero no toda la IA es machine learning, así lo ejemplifica el primero enfoque mencionado.
Este aporte es un copy de mi tweet por si quieren continuar aprendiendo en público
Un ejemplo de problema (mal uso): Algunos obtienen respuestas de ChatGPT3 y luego postean esas respuestas aquí como si fuese un aporte, sin comprender ni analizar el concepto.
Quizás se pueda usar Mchine learning para validar que las respuestas no sean copy-paste de chatgpt3 u otra IA
Machine Learning es una rama de la IA que desarrolla algoritmos y técnicas para que los dispositivos aprendan a través de datos, identificando patrones y tomando decisiones asertivas de manera automatizada mejorando su desempeño con la experiencia.
Corrijanme si estoy equivocado, creo que un proyecto de ML sería:
Los semáforos podrían mejorar descongestionando la ciudad entera usando visión artificial, (muchas veces estamos en la cola y del otro lado no hay autos) datos de las apps y aprendería que algunos días aunque sean entre semana podrían no tener tanto flujo (feriados) y fines de semana (fin de mes) más flujo del habitual.
Dejo este video de Dot CSV sobre Modelos que NO TIENE DESPERDICIO: https://www.youtube.com/watch?v=Sb8XVheowVQ&ab_channel=DotCSV
me encanta la tecnología y quiero aprender programar y ciencia de datos pero a veces me deprimo al intentar hacerlo y no logro entender
Me suena al tan querido método científico. Me gusta esta clase.
Tengo muchos problemas para ir cómodo en Transmilenio a mi universidad, aun así existen casos donde voy sentado y sin vendedores. Me gustaría recopilar estos datos para saber cual es la mejor hora para mi caso concreto y así saber a que horas meter horario el siguiente semestre. Dependiendo vendedores, horas, rutas, si voy sentado o no, en que vagón voy, etc.
Creo que un ejemplo de Machine Learning podría ser un algoritmo que aprenda a identificar archivos que contengan virus analizando patrones que previamente hayan sido etiquetados por un usuario como archivos maliciosos.
Uno de los Retos que logre a compartir con una empresa de Catálogo te das cuenta como ayuda en una empresa de tener un cambio a favor y de eliminar ese tiempo con el cual pierdes y puede usarlo más para aprender, de segmentar y generar Innovación
Por mí parte me he visto involucrado en participar de muchas reuniones durante todo el día y muchas veces se habla de temas que no tienen mayor relevancia. Así que contar con un modelo de sistema artificial que planifique tareas con el fin de llevar a cabo reuniones más objetivas permitirá aprovechar mejor mí tiempo y mejorar la productividad del equipo de trabajo.
Para añadir a la definición de Modelo:
Un modelo contiene solo las propiedades que nos interesan para representar algo del mundo real.
Un objeto o problema del mundo real podría tener muchísimas propiedades, pero para nuestro problema no las necesitamos todas.
De manera que un modelo es una representación incompleta de la realidad ajustada a lo que necesitamos en el momento.
GIGO means garbage in garbage out.
Paso mucho tiempo en RRSS cuando no tengo idea de la tarea que tengo que hacer (en mi trabajo) entonces a través de Machine Learning quiero introducir los datos de mi estado de animo, que los analice y que me bloquee el teléfono por unos minutos cuando prediga que voy a usarlo mucho tiempo (en su mayoría voy de app en app)
Problema en mi día a día que se pueda solucionar con machine learning
Creo que uno de mis problemas es la procrastinación, la cual está en gran parte al tiempo que paso en mi celular, creo que el machine learning podría ayudarme con esto, debido a que podría existir un algoritmo que pueda identificar los horarios en los que pasó más tiempo en mi celular y tomar acciones como realizar bloqueos temporales de algunas Apps analizando patrones en las aplicaciones de mi celular que previamente haya podido etiquetar como aplicaciones de mayor consumo de tiempo.
Espacio no sé cuánto tiempo se demora en aprender inteligencia artificial??
La IA siempre se puede iterar y mejorar 😄
Itear una y otra vez es una opción que usamos para mejorar 😁
Mejorar el sistema de educacion para
determinar el mejo modelo de aprendizaje
para una persona
Una serie de información validada y constatada en una estructura de datos determinada que pasa por una representación simplificada de la realidad del fenómeno, es decir, un modelo determinado por el observador nos permite establecer las reglas para crear un modelo más complejo que conserve los principios de parsimonia, al hacer que funcione para datos fuera de su set de entrenamiento. Si obtenemos un resultado similar al esperado sin duda estamos en el camino indicado.
Establecer un input y un modelo que será evaluado para obtener un resultado esperado. Nos permite crear nuevas formas de modelar. De entender la realidad.
Cuantificar el tiempo, en que me lo gasto, y que tan productivo fue.
Un ejemplo de aplicación de machine learning en una empresa de marketing digital podría ser la utilización de técnicas de aprendizaje automático para predecir la tasa de apertura de correos electrónicos de una campaña publicitaria.
Para lograr esto, la empresa podría recopilar datos sobre el histórico de apertura de correos electrónicos por parte de su audiencia, incluyendo variables como la hora y día de envío, el asunto y cuerpo del correo, la segmentación de la lista de correos, etc.
A partir de estos datos, se podría entrenar un algoritmo de machine learning para identificar patrones y correlaciones entre las diferentes variables y la tasa de apertura de correo. De esta manera, se podría crear un modelo predictivo que permita a la empresa optimizar sus campañas de correo electrónico maximizando la probabilidad de que los correos sean abiertos por los destinatarios.
Por ejemplo, el modelo podría indicar que los correos enviados los martes a las 11 am obtenían una tasa de apertura superior al promedio, o que los correos cuyo asunto incluía una pregunta obtienen mejor rendimiento que aquellos que presentaban ofertas o promociones directamente en el asunto.
De esta manera, la empresa podría mejorar significativamente el rendimiento de sus campañas de marketing digital y aumentar su efectividad en la generación de leads y ventas.
El ciclo de vida del Aprendizaje automático :
Un modelo es una representación simplificada de la realidad.
Ciclo de vida ML
Recopilar datos.
Preparación de Datos.
Hipótesis y Modelado
Entrenamiento del modelo.
Evaluación del modelo.
Producción. (clientes, información, ganancias)
Mejora y ajuste.
Es un ciclo iterativo y de mejora continua y adaptabilidad.
En el aprendizaje automático (Machine Learning), el proceso es inverso al de la programación tradicional.
Esta fue toda una clase express de ML-OPS. Genial!
Me quedo en la cabeza [ Si basura es lo que se entra al sistema , basura es lo que sale
Cómo funciona el Machine Learning:
yo soy estudiante de la escuela de platzi y a veces me disperso un poco haciendo cursos de varios temas, se puede aplicar machine learning, eligiendo primero la ruta de los cursos que mas me convienen según mi trabajo actual y de ahí los cursos que me pueden servir para potenciar mis skills
En redes sociales estaría bueno que las noticias, foto o videos publicados, siempre aparezca cuando fue realizada con inteligencia artificial o cuando es una fake news. A estas alturas no se ni que creer de todo lo que veo…Trump siendo perseguido por policías, vistas paradisíacas con un movimiento del agua hacia el fondo el mar increíble, el papa Francisco vestido muy a lo moda… jaja
Un problema de mi vida diaria que me gustaría resolver con Machine Learning, es un modelo de limpieza para mi galería, que consista en eliminar automáticamente fotos que luzcan borrosas, movidas, muy obscuras, repetidas e incluso podría adaptarse a las necesidades del usuario, como screenshots que solo se necesitan una vez. Me resultaría muy útil, pues mi galería suele saturarse de muchas fotos innecesarias y no siempre tengo tiempo para realizar una limpieza.
Supongamos que tenemos un juego, donde somo el protagonista y se acerca un enemigo, una vez el enemigo se acerca lo suficiente empieza a dispararnos
Una forma de programar esto, Necesitamos que el algoritmo del enemigo este constantemente revisando la distancia, una vez la distancia sea menor de 5 nos va disparar, de lo contrario nos seguimos acercando y seguimos midiendo la distancia
Tenemos input y una serie de reglas establecidas anteriormente, Estos se combinan para generar un resultado
Tenemos datos y tenemos lo que queremos de resultado de esos datos y el algoritmo genera un modelo que nos da las reglas que vamos a usar para generar nuevas predicciones
Recopilamos gran cantidad de datos, MUCHOS, ya sea fechas, informacion de usuarios, fotos, audios etc
Tenemos que limpiar, ordenar y filtrar todos los datos
Siempre recordar el GIGO Garbage In Garbage Out
Elegir un modelo de ML importante elegir el modelo segun nuestros requisitos
Un modelo es una representacion sencilla de una realidad compleja
Algunos ejemplos de algoritmos
Ya con datos limpios y un modelo elegido podemos pasar a entrenar el modelo para que el modelo nos de predicciones sobre datos que no ha visto nunca
Evaluamos si el modelo realmente aprendio correctamente la tarea para que la entrenamos, para esto le vamos a dar datos que nunca ha visto
Si todo es correcto lanzamos el modelo a produccion, sea dinero, clientes, lo que necesitemos
Si nuetro modelo estara en contacto con usuarios, mediante el feedback podemos mejorar y evolucionar nuestro modelo
Esto es un ciclo, tenemos que volver a recolectar datos y repetir los pasos para mejorar el modelo, tenerlo actualizado y en constante mejora
La ciencia de datos es una disciplina que usa matemáticas, estadísticas y computación para analizar datos y obtener información útil. La regresión numérica es una técnica estadística que se utiliza para predecir valores desconocidos a partir de datos previos. Los datasets son conjuntos de datos organizados que pueden ser analizados por una computadora o una persona. El “split” es una técnica de división de datos en subconjuntos para diferentes propósitos, siendo el “train-test split” el más común para entrenar y probar modelos de aprendizaje automático, y el “cross-validation split” útil para una evaluación más robusta del modelo.
Un problema que se podría resolver usando Machine Learning en mi trabajo (trabajo en un Banco) sería el análisis que realiza los asesores de crédito sobre le historial de crédito de un socio, así se podría predecir si el cliente tiene o no posibilidades de caer en morosidad. Con estas predicciones se podría colocar dinero en clientes que tienen la menor posibilidad de caer en morosidad manteniendo un cartera de crédito saludable (aunque también la morosidad puede depender de otras variables según el socio)
Mi apunte.
Una IA que analise las forma de aprendizaje de una persona y determine cual es la mejor estrategia de enseñaza que ella puede usar, basado en ello, cree un plan de estudios que estimule el estudio efectivo en el area de interes de esta persona.
En mi trabajo doy soporte técnico de máquinas como llenadoras de líquidos, donde el objetivo es dosificar una X cantidad de liquido en una botella. Sin embargo esto tiene algunas variables como las presiones de aire, la densidad del producto, la velocidad de succión e inyección. Y todo esto genera variaciones en el peso total. Generalmente hay un margen de error del 3-5% pero clientes más exigentes quisieran un 0-1%. Pienso que el machine learning podría servir como una oportunidad de mejora.
Analizar mis patrones de estudio y al alterar ciertas variables, como sueño, alimentación, hora del día, ruido dar sugerencia de como crear el mejor entorno para incrementar mi rendimiento al estudiar.
🔍📊 Recopilación de datos: 🗃️📈 Se reúnen gran cantidad de datos relevantes para el problema.
🧹 Preparación de datos: 🛠️🧼 Se limpian y preparan los datos eliminando faltantes y ruidos.
🤖 Elección del modelo: 🤝🤖 Se elige un modelo de Machine Learning.
🎓 Entrenamiento del modelo: 🏋️♂️🧠 Se entrena el modelo con datos limpios.
📏 Evaluación del modelo: 📝🧪 Se evalúa su rendimiento con datos nuevos.
🚀 Implementación en producción: 🚀🏭 Se lanza el modelo en producción.
🔄 Mejora continua: 🔄📈 Se recopilan datos y se ajusta el modelo constantemente.
CICLO DE VIDA DE UN PROYECTO DE MACHINE LEARNING:
El output de Machine Learning no son repsuestas, sino reglas para el comportamiento de la IA.
Recopilación de datos: Selección y curaduría de los datos a utilizar (si basura entra al sistema, basura va a salir).
Hipótesis y modelado: Un modelo es una representación sencilla de una realidad compleja.
Entrenar el modelo: Combinar los dos pasos anteriores para que el modelo pueda generar predicciones sobre datos nuevos.
Evaluación del modelo: ¿Realmente aprendió correctamente el modelo? Se le entregan datos completamente nuevos.
Producción: El modelo empieza a producir los resultados para los que fue creado
Mejora y ajuste: Usa retroalimentación de los usuarios del modelo para continuar mejorando su funcionamiento.
Se trata de un ciclo, no de un proceso lineal.
El aprendizaje automático (Machine Learning) es un campo amplio y diverso que se puede dividir en varias áreas principales, que incluyen:
Aprendizaje supervisado (Supervised Learning): es una técnica de aprendizaje automático que implica entrenar un modelo para predecir una salida conocida a partir de datos de entrada y de salida previamente etiquetados. Ejemplos de algoritmos de aprendizaje supervisado incluyen Regresión lineal, Árboles de decisión, Máquinas de vectores de soporte (SVM) y Redes neuronales.
Aprendizaje no supervisado (Unsupervised Learning): es una técnica de aprendizaje automático en la que se busca patrones en los datos sin la necesidad de etiquetas previas. Ejemplos de algoritmos de aprendizaje no supervisado incluyen Clustering, Análisis de Componentes Principales (PCA) y Reducción de Dimensionalidad.
Aprendizaje por refuerzo (Reinforcement Learning): es una técnica de aprendizaje automático en la que un agente aprende a tomar decisiones en un ambiente dinámico a través de la retroalimentación que recibe a través de recompensas y castigos. Ejemplos de algoritmos de aprendizaje por refuerzo incluyen Q-Learning y Deep Reinforcement Learning.
Aprendizaje semi-supervisado (Semi-Supervised Learning): es una técnica de aprendizaje automático que utiliza una combinación de datos etiquetados y no etiquetados para mejorar la precisión del modelo.
Aprendizaje de transferencia (Transfer Learning): es una técnica de aprendizaje automático en la que se utiliza el conocimiento adquirido por un modelo entrenado en una tarea para mejorar el rendimiento en otra tarea relacionada.
Aprendizaje de conjunto (Ensemble Learning): es una técnica de aprendizaje automático en la que se combinan varios modelos para mejorar la precisión de las predicciones.
Además del Deep Learning, que es una subárea del aprendizaje automático que utiliza redes neuronales profundas, existen otras subáreas como el Aprendizaje Automático Bayesiano, el Aprendizaje Automático Explicable (Explainable AI), y el Aprendizaje Automático en línea (Online Learning), entre otras. (generado con chatGPT)
Imaginemos que desarrollamos un video juego en la que queremos crear un algoritmo en la que realizamos una lista de instrucciones y reglas para determinar cuando el personaje se acerca a una distancia determinada empieza a atacar.
Podemos solucionarlo con un algoritmo📜.
Imaginemos que queremos desarrollar algo más complejo, como crear un bot en Flappy Bird que alcance el mayor puntaje posible
A diferencia del problema anterior no hay nada que resolver, simplemente debemos enseñarle al bot a que aprenda a jugar🧠
-Existen una serie de algoritmos las cuales pueden aprender como un humano.
Los inputs y reglas los definimos anteriormente, al combinarlos generan un resultado.
Le damos datos y especificar que queremos obtener de esos datos, al combinarlos el algoritmo genera un modelos que nos da las reglas que debemos utilizar para generar nuevas predicciones
Es común en todo tipo de proyecto. No importa el tipo de tarea se realize ni que tipo de datos se tenga como entrada
📌 Como este es un ciclo, debemos repetir cada etapa para siempre estar recibiendo nuevos datos, cambiar de modelo (si se cambia de objetivo) y poder adaptarnos al mercado.
Recolección de datos: Necesitamos recopilar datos, de la fuente que creemos que sea conveniente.
Preparar los datos: Debemos limpiar los datos que no necesitamos, como errores. Al igual que la preparación de los datos en un formato que queramos convenient.
Hipótesis y modelado: Necesitamos plantear los objetivos de nuestro modelo para enfocarnos solamente en esas metas.
Un modelo es una representación sencilla de una realidad compleja.
Por ejemplo un grupo de aves viaje de un punto A al punto B. Queremos saber cuándo va a llegar al punto B.
Para resolver esta problemática no necesito saber el sistema respiratorio de las aves, cuántas son, de qué colores son o su sistema circulatorio. Solo necesito la variable que me ayudará a predecir la llegar al punto B. Necesito solamente la velocidad.
Al enfocarse en solo las variables que necesito, estoy reduciendo la complejidad de todas las aves a sólo una variable (eso es un modelo).
Entrenamiento del modelo: Una vez con datos limpios y modelos elegidos, podemos empezar a entrenar el modelo (generar predicciones con ayuda de datos que no ha visto nunca).
Evaluación del modelo: Le daremos datos que no ha visto nunca, así que debemos comprobar si nuestro modelo aprendió correctamente.
Producción: Si todo ha salido bien, empezaremos a trabajar con nuestro modelo, donde producirá conocimiento, dinero o ayudando a nuestros usuarios.
Mejora y Ajuste: Podremos ajustar nuestro modelo gracias a los datos de los usuarios.
Soy estudiante de traducción e interpretación, y he enseñado inglés durante cuatro años a diversos alumnos. Para el desarrollo de esta lección, resaltaría el Machine Learning como una fuente de gran ayuda en el proceso de recopilación de datos y ajuste de las clases que un docente del área de lenguas puede impartir, abordando un problema común que es la falta de reflexión docente. Además, esa implementación permitiría valorar, quizás de maneras más profundas o concretas, las problemáticas de comprensión de las temáticas por parte de los estudiantes, a través de los patrones que pueda identificar ese modelo predictivo.
Reconociendo estas dificultades, se podrían generar planes individuales y de refuerzo para cada estudiante.
Machine learning: Pasar de datos y reglas que nos generan reglas a Datos y que respuestas que queremos que salgan y nos generan reglas. 1. Recopilar gran cantidad de datos 2. Limpiar los datos, quitar la basura 3. Seleccionar un modelo 4. Con los datos anteriores, Entrenamos el modelo 5. Evaluación del modelo (Con datos nuevos) 6. Producción 7. Mejora y ajuste
Comparando la programación tradicional frente al Machine learning vemos que en ML existen una serie de algoritmos que pueden aprender como si de un humano se tratase. Para esto utilizan gran cantidad de datos.
En la programación tradicional se utilizan inputs (datos) y reglas predefinidos que dan como resultado una serie de respuestas.
En ML se utilizan inputs (datos ) y los resultados que queremos obtener para de esta manera, mediante un algoritmo, generar un modelo* que devuelve como resultado las reglas que se utilizarán para generar nuevas predicciones.
Es común para cualquier proyecto sin importar qué tipo de tarea se realice ni el tipo de datos de entrada.
Es importante ya que si introducimos basura al sistema basura es lo que saldrá
classification
, regression
, clustering
, dimensionality reduction
, etc. Es a través de un algoritmo que se genera un modelo.*Modelo: es una representación sencilla de una realidad compleja. Por ejemplo, imaginemos que tenemos una parvada de aves que va desde el punto A al punto B. Yo quiero saber cuándo van a llegar al punto B. No necesito estar consciente del sistema respiratorio de las aves o su sistema circulatorio o sus comportamientos en manada. Nada de eso me sirve para predecir la llegada al punto B. Necesito la velocidad. Estoy reduciendo la complejidad de toda la parvada a una sola variable. Eso es un modelo.
En mi empresa de hosting, es esencial mantener un equilibrio entre la asignación de recursos de servidor y la demanda de los clientes. A veces, los recursos pueden estar subutilizados, lo que resulta en costos, o pueden estar sobrecargados, lo que afecta el rendimiento y en ultimas la satisfacción del cliente. La gestión manual de estos recursos aveces es compleja y propensa a errores.
Solución con Machine Learning:
Desarrollar un sistema de Machine Learning que analice los patrones de uso de recursos en los servidores y realice predicciones sobre la demanda futura.
Las fases por las que atraviesa un proyecto de machine learning, desde la definición del problema hasta la implantación del modelo resultante, se pueden resumir en las siguientes:
Recolección de datos:
El proceso comienza con la recolección de datos relevantes para la tarea de aprendizaje automático. Estos datos pueden provenir de diversas fuentes, como bases de datos, sensores, registros históricos o encuestas. La calidad y cantidad de los datos son esenciales para el éxito del modelo.
Preparación de datos:
Después de recopilar los datos, es necesario prepararlos para su análisis. Esto implica limpiar los datos eliminando valores atípicos, tratando los valores faltantes y normalizando los datos para asegurarse de que estén en un formato adecuado para el modelo.
Hipótesis y modelado:
En esta etapa, se formula una hipótesis sobre cómo los datos se relacionan con la variable objetivo. Se selecciona un modelo de aprendizaje automático apropiado según la naturaleza de los datos y la tarea. El modelo se elige en función de la hipótesis y se configura para comenzar el proceso de aprendizaje.
Entrenamiento del modelo:
Con el modelo seleccionado y configurado, se utiliza el conjunto de datos preparado para entrenar al modelo. Durante el entrenamiento, el modelo ajusta sus parámetros internos para aprender patrones y relaciones en los datos. El objetivo es que el modelo haga predicciones precisas.
Evaluación del modelo:
Después del entrenamiento, es importante evaluar el rendimiento del modelo empleando un conjunto de datos de prueba independiente. Se usan métricas apropiadas según la tarea, como precisión, exactitud o error cuadrático medio, para medir la calidad de las predicciones del modelo.
Producción:
Una vez que el modelo se considera adecuado y se ha evaluado con éxito, se puede implementar en un entorno de producción para su uso en aplicaciones del mundo real. Esto puede implicar integrar el modelo en una aplicación, un sistema o una plataforma.
Mejora y ajuste:
Después del despliegue, el proceso de aprendizaje automático no termina. Se sigue monitoreando el rendimiento del modelo en producción y se realizan ajustes y mejoras según sea necesario. Esto puede incluir la adición de datos más recientes o el reentrenamiento del modelo para mantener su precisión.
Estos siete pasos representan un ciclo iterativo en el que se recopilan, preparan, modelan, entrenan, evalúan, implementan y mejoran los modelos de aprendizaje automático. Este ciclo puede repetirse para refinar continuamente los modelos y mantener su capacidad para hacer predicciones precisas a medida que cambian los datos y las condiciones del mundo real.
.la impacta positivamente por que puedo organizar mis días de mejor manera apoyándome en ella así distribuyendo mejor mi tiempo y logrando ser mas productivo día a día
.claro que veo potencial en el uso de la IA por que gracias a ella puedo hacer procesos complejos como apoyarme en ella par a llevar acabo emprendimiento que a lo que quiero llegar entonces veo en IA una gran oportunidad para apalancarme eh iniciar mi negocio sea digital o físico pero en realidad es una muy buena herramienta para apoyarme en mi comienzo
.me gustaría aprender como aplicar IA en un emprendimiento digital ya que mi deseo es empezar con ello y la IA seria muy provechosa para los resultados que se buscan de un emprendimiento
Yo utilizaría MachineLearning para un sistema integrado en mi hogar de Aire acondicionado, calefacción y deshumidificador, que según la temperatura ambiente aumente o disminuya el trabajo de los equipos de aires acondicionados, también el encendido y apagado de extractores que de detectar en el ambiente olores perjudiciales trabajen por expirar al exterior esos malos olores y hasta una alarma pueda avisar a dispositivos Smartphones, computadora y por voz. Acá planteo predicción (El uso real de ML), detección y prevención que es el uso de IoT, se me acaba de ocurrir integrar todo esto. Tal vez ya exista esto porque la idea es muy básica pero me encantaría que la implementación sea mía cuando pueda hacerlo y no de terceros 😃 .¿Por qué? Para aprender.
Los sistemas tienen retardos o latencias por diferentes circunstancias. Podría ser que se cree un modelo utilizando ML para identificar, por medio de datos de retraso, tiempo de interrupción, descenso de tráfico, y demás detalles, las horas no convenientes para poder o no acceder al mismo y así planificar mejor nuestro acceso al mismo.
Podría servir en el caso de las matrículas que se realizan en sistemas de gestión académicos. O también puede ser aplicado en otros sentidos.
Por ahí va mi idea.
se podria saber el nivel de ventas de un servicio o producto.
también saber precios de inmuebles en determinados estratos sociales.
Creo que sobre todo en mi trabajo tendria un impacto positivo para mis vendedores, soy supervisor de un call center y tenemos problemas para vender constantemente, intento siempre darles retroalimentacion, mejorar el ambiente, charlas, pero considero que la IA puede ayudar a mi entorno a estar mas comodo y darles a ellos herramientas o charlas en el momento oportuno, por ejmplo a tal hora deberiamos detenernos para charlar sobre un tema en especifico y lograr se desconecte un poco del stress del trabajo, de la no realizacion de ventas etc y asi mantener un equipo motivado. Pienso que en mi vida facilitaria muchisimo la aplicacion de la IA, sobre todo en la organizacion de mi tiempo para las actividades cotidianas, y me gustaria aprender sobre todo como puedo hacer de mi equipo de trabajo un equipo exitoso, que la IA me proporciones soluciones para que mi equipo de trabajo se mantenga motivado todo el tiempo.
En el momento con unos colegas estamos desarrollando con machine learning un detector de Pump and dump en el mercado crypto, sobretodo en las mas volatiles.
El machine learning, o aprendizaje automático, es un subcampo de la inteligencia artificial que se centra en desarrollar algoritmos y modelos que permiten a las máquinas aprender de datos y mejorar su rendimiento en tareas específicas. Aquí te explico cómo funciona de manera general:
Recopilación de Datos: El proceso comienza con la recopilación de datos relevantes para la tarea que se desea resolver.
Preparación de Datos: Los datos recopilados suelen requerir limpieza y preparación.
Selección de Algoritmo: Los científicos de datos o ingenieros seleccionan un algoritmo de machine learning adecuado para el problema en cuestión.
Entrenamiento del Modelo: Se utiliza una parte de los datos (conjunto de entrenamiento) para entrenar el modelo.
Validación y Evaluación: Se utiliza una parte separada de los datos (conjunto de validación o prueba) para evaluar el rendimiento del modelo.
Ajuste y Optimización: Si el modelo no cumple con los criterios de rendimiento deseados, se pueden realizar ajustes en los hiperparámetros del algoritmo o incluso cambiar de algoritmo.
Despliegue del Modelo: Una vez que el modelo cumple con los estándares de rendimiento, se implementa en una aplicación o sistema en producción, donde puede realizar predicciones en tiempo real o automatizar tareas.
Monitoreo Continuo: El modelo se monitorea continuamente en producción para asegurarse de que siga funcionando de manera efectiva.
Actualmente en mi trabajo tenemos un problema de gestión de tickets o solicitudes de nuestro servicio. La empresa subcontrata servicios de asesoría académica para estudiantes universitarios. Al ser un modelo de negocio de intermediación, necesitamos elegir al contratista ideal para el cliente ideal. Esto en base a los requerimientos y características del servicio.
Un modelo de machine learning podría automatizar esto y optimizarlo a través de la predicción con regresión numérica que pondere los perfiles de cada contratista con las del servicio requerido para cada cliente en particular y elija al mejor puntuado.
Sobre el reto
Una aplicación seria en el campo de la vocación profesional. La IA podria generar las reglas necesarias para obtener las mejores recomendaciones basados en los gustos, capacidades, afinidades y oferta laboral.
Otra aplicacion seria en al app de citas donde la IA aprende sobre los gustos de la persona asi como tambien las afinidades. Es decir la IA aprende no solo cuales personas te parecen atractivas sino tambien que caracteristicas tienen que generan una coneccion: pasatiempos, intereses, gustos, etc.
El proceso esta largo, pero uff interesante.
Necesito una máquina que haga mi trabajo diario (el de mi empleo matutino), para avanzar más rápido en el curso, Tal vez aquí aprenda a hacer un bot que me apoye. Es broma pero a lo mejor no lo es.
Seria con la organizacion de informacion de internet que yo reviso y extraigo yq eudarme con lo relevante en cada tema
Este curso está genial
Trabajo: soy tutor de matemáticas. Una ayuda eficiente para mis alumnos usando Machine Learning es crearle ejercicios de matemáticas ajustados a su nivel y no examenes pre-construidos. Así tengo más certeza que estoy mejorando las habilidades precisas y necesarias que les falta por desarrollar.
.
Los datos serían examenes y tareas pasadas para saber con mayor exactitud en qué están fallando. Así el aprendizaje estaría dirigido a su mejora y no en cuánto han repetido “X” o “Y” cosa.
Siempre creí que uno de los proyectos que hice en la universidad eran programación tradicional con uso de IA. Sin embargo, sin saber los conceptos, cree un programa de inteligencia artificial con machine learning. Este rubro me gusta mucho!
Al leer textos filosóficos complejos, puede ser útil comprender las emociones y los sentimientos expresados por los filósofos en sus escritos. Utilizando técnicas de procesamiento de lenguaje natural y machine learning, se podría desarrollar un sistema que analice los textos filosóficos y detecte el tono emocional, ayudando al estudiante a comprender mejor las perspectivas y emociones de los filósofos que está estudiando.
Como estudiante de filosofía que trabaja vendiendo libretas, es importante tener un control eficiente del inventario. El machine learning podría utilizarse para predecir la demanda de diferentes tipos de libretas en función de factores como la temporada, las tendencias de compra y los patrones históricos. Con esta información, se podrían realizar pedidos anticipados y optimizar el inventario para garantizar que siempre haya suficiente stock disponible y evitar la escasez o el exceso de productos.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?