Aprender de los datos

Comprender la inteligencia artificial

Maarten Van den Broeck

Senior Content Developer at DataCamp

Funciones de la IA y áreas implicadas

Zonas de IA y funciones de IA

Funciones de la IA y áreas implicadas

Zonas de IA y funciones de IA

Adéntrate en el machine learning (ML)

Machine learning: aprender de los datos e identificar patrones

Áreas de machine learning

Adéntrate en el machine learning (ML)

Machine learning: aprender de los datos e identificar patrones

Áreas de machine learning

Adéntrate en el machine learning (ML)

Machine learning: aprender de los datos e identificar patrones

Áreas de machine learning

Adéntrate en el machine learning (ML)

Machine learning: aprender de los datos e identificar patrones

Áreas de machine learning

Adéntrate en el machine learning (ML)

Machine learning: aprender de los datos e identificar patrones

Áreas de machine learning

Aprendizaje supervisado: clasificación

Clasificación: asigna a cada observación de datos la categoría (clase)

Clasificación binaria: dos clases, por ejemplo, positivo/negativo, masculino/femenino, etc.

Clasificación binaria

Aprendizaje supervisado: clasificación

Clasificación: asigna a cada observación de datos la categoría (clase)

Clasificación binaria: dos clases, por ejemplo, positivo/negativo, masculino/femenino, etc.
Clasificación multiclase: clases mutuamente excluyentes, p.ej., varias especies

Aprendizaje supervisado: se requiere la anotación de datos (observaciones etiquetadas con una clase) para entrenar un modelo capaz de hacer inferencias

Clasificación multiclase

Aprendizaje supervisado: regresión y previsión

Regresión: asigna a cada observación una salida numérica o etiqueta según sus entradas

Regresión para estimar el precio de una vivienda

Predicción de series temporales: prever valores futuros

Previsión de series temporales para predecir cuántas personas viajan en autobús a diario

Aprendizaje no supervisado y de refuerzo

Agrupación: encontrar subgrupos de datos similares (p. ej.k-means)

Agrupación de datos de pingüinos

Detección de anomalías: detección de observaciones anómalas de datos, por ejemplo, transacciones inusuales con tarjeta

Detección de anomalías

Descubrimiento de reglas de asociación: encontrar coocurrencias comunes

Descubrir productos que se compran juntos con frecuencia

Aprendizaje por refuerzo: aprender por experiencia (ensayo y error) a dominar una tarea compleja

Aprendizaje por refuerzo para recorrer un laberinto

¿Qué te parece el aprendizaje profundo?

Modelos muy sofisticados basados en redes neuronales profundas: resuelven tareas muy exigentes en las que los modelos clásicos de ML resultan limitados
Aprendizaje a partir de los datos similar al del cerebro humano

Se necesitan muchos datos para aprender: a veces millones de observaciones

Tareas de aprendizaje profundo

¿Qué te parece el aprendizaje profundo?

Modelos muy sofisticados basados en redes neuronales profundas: resuelven tareas muy exigentes en las que los modelos clásicos de ML resultan limitados

Se necesitan muchos datos para aprender: a veces millones de observaciones

Tareas de aprendizaje profundo

¡Vamos a practicar!

Comprender la inteligencia artificial