Aprendizaje Automático (Machine Learning)

Aprendizaje Automático (Machine Learning)

1. Concepto general

   • Es una disciplina científica que trata de que los sistemas aprendan automáticamente.
     • Se divide en:
       • Aprendizaje Supervisado
         • Objetivo: Hacer predicciones a futuro basadas en comportamientos o características que se han visto en los datos ya almacenados (el histórico de datos).
       • Aprendizaje No Supervisado
         • Objetivo: Usar datos históricos que no están etiquetados. El fin es explorarlos para encontrar alguna estructura o forma de organizarlos.
     • Usos de la tecnología
       • Sistemas de recomendaciones (Amazon, eBay, LinkedIn, Twitter), detección de fraude, reconocimiento de voz, algoritmos para la predicción de enfermedades, delitos, averías en máquinas o tendencias de consumo.

2. ¿Cómo surge?

   • Hechos históricos sobresalientes
     • En los 90's
       • El trabajo en turnos de aprendizaje automático a partir de un enfoque basada en el conocimiento de un enfoque impulsado por los datos. Los científicos comienzan la creación de programas de computadoras para analizar grandes cantidades de datos y sacar conclusiones - o "aprender" - a partir de los resultados.
     • 1997
       • Deep Blue de IBM gana al campeón del mundo en el ajedrez.
     • 2006
       • Geoffrey Hinton acuña el término "aprendizaje profundo" para explicar los nuevos algoritmos que permiten a los ordenadores "ver" y distinguir objetos y texto en imágenes y vídeos.
     • 2011
       • Google Brain se desarrolla, y su red neuronal profundo puede aprender a descubrir y clasificar objetos, desde animales hasta imagenes con alto grado de pixelación.
     • 2014
       • Facebook desarrolla Deepface, un algoritmo de software que es capaz de reconocer o verificar los individuos en las fotos para el mismo nivel que los seres humanos pueden.
     • 2015
       • Amazon lanza su propia plataforma de aprendizaje automático.
       • Microsoft crea Machine Learning Kit de herramientas, lo que permite la distribución eficiente de recursos de aprendizaje automático a través de múltiples plataformas.
     • 2016
       • El algoritmo de IA "AlphaGo" desarrollado por Google DeepMind logró ganar a profesionales cinco juegos de cada cinco en un concurso de juegos de mesa chino llamado "Go".

3. ¿Cómo nace su importancia?

   • Para la mayoría de las organizaciones, la carrera ha comenzado para extraer información valiosa de volúmenes y variedades de datos en aumento.
     • Resultados Obtenidos
       • Con los datos indicados, las tecnologías correctas y la analítica indicada es posible producir de forma rápida y automática modelos que puedan analizar datos más grandes y complejos.
       • Predicciones de alto valor que pueden orientar mejores decisiones y acciones en tiempo real.

4. Paradigmas importantes en su historia

   • 1. Técnicas de modelado neuronal y de decisión
   • 2. Aprendizaje orientado a conceptos simbólicos
   • 3. Sistemas de aprendizaje de conocimiento con exploración de varias tareas de aprendizaje

5. MAchine learning en los videojuegos

   • técnicas utilizadas por los programadores para producir una ilusión de inteligencia
     • Stadia -google
       • Style Transfer ML:algoritmo de transferencia de estilo
         • una de las primeras aplicaciones significativas del machine learning a la creación de ocio digital
     • Denuvo Anti-Cheat
       • La herramienta usa protocolos existents de AMD e Intel y, gracias al machine learning, advierte de comportamientos inusuales en los juegos
     • Electronic Arts
       • Jugar a títulos masivos con bots inteligentes, pero también se podrían aplicar a las campañas para un jugador que hace a los enemigos mucho más desafiantes.

Images and files in the map