INTELIGENCIA ARTIFICIAL

Autor:
DILAN STIVENSON CASTRO BERMUDEZ
Código: 20182578007

Inteligencia Artificial 578-301

Director:
Nelson Reynaldo Becerra Correa

Universidad Francisco José de Caldas

Facultad Tecnológica

Machine Learning y Redes Neuronales

¿Qué es Machine learning?

También conocido como aprendizaje automático o aprendizaje de máquinas, es un

campo de las ciencias de la computación y una rama de la inteligencia artificial
cuyo objetivo es el desarrollo de técnicas que permiten el aprendizaje para
computadoras.
En este campo se dice que un agente aprende según su desempeño de mejora
con la experiencia mediante el uso de datos, es decir, que dicha habilidad no
estaba presente dentro de los rasgos. En el machine learning un computador
observa y construye un modelo para proceder frente a problemas mediante esos
datos recolectados.
El aprendizaje automático se enfoca en el diseño de soluciones factibles para
diversos problemas, por otra parte, también esta estrechamente relacionado con el
reconocimiento de patrones, el aprendizaje automático puede ser visto como un
intento de automatizar algunas partes del método científico mediante métodos
matemáticos. Por lo tanto, es un proceso de inducción del conocimiento.
El aprendizaje automático posee una gran cantidad de aplicaciones entre las
cuales podríamos nombrar los motores de búsqueda, diagnósticos médicos,
detección de fraude en el uso de tarjetas de crédito, análisis del mercado de
valores, clasificación de secuencias de ADN, reconocimiento de habla o voz,
lenguajes escrito, videojuegos y robótica.

Tipos de aprendizaje automático

Existen diversos tipos de aprendizaje automático que pueden utilizar la<s

máquinas, pero esto depende de los datos disponibles y la tarea que se requiere
abordar, entre ellos están:

Aprendizaje Supervisado

El aprendizaje supervisado requiere un conjunto de datos etiquetados, es decir, le

decimos al modelo qué es lo que queremos que aprenda. Si suponemos que
tenemos una heladería y durante los últimos años hemos estado registrando
diariamente datos climatológicos, temperatura, mes, día de la semana, etc., y
también hemos hecho lo propio con el número de helados vendidos cada día. En
este caso, seguramente nos interesaría entrenar un modelo que, a partir de los
datos climatológicos, temperatura, etc. (características del modelo) de un día
concreto, nos diga cuántos helados se van a vender (la etiqueta a predecir).
Dependiendo del tipo de etiqueta dentro del aprendizaje supervisados existen dos
tipos de modelos:

● Modelos de Clasificación: este modelo produce como como salida una

etiqueta discreta o una etiqueta dentro de un conjunto finito de etiquetas
posibles.
● Modelos de Regresión: estos modelos producen como salida un valor real
como el ejemplo de los helados.

Aprendizaje no Supervisado

El aprendizaje no supervisado trabajo con datos que no han sido etiquetados, por
lo cual no se tiene una etiqueta que predecir, este tipo de algoritmos se usan
principalmente en tareas donde es necesario analizar datos para extraer nuevo
conocimiento o agrupar entidades por afinidad.

Aprendizaje Semi-supervisado

Existen ocasiones en las que es muy complicado disponer de un conjunto de

datos completamente etiquetados, podemos poner el ejemplo de que somos los
dueños de una empresa de fabricación de lácteos y requerimos estudiar la imagen
de la marca de nuestra empresa por medio de los comentarios que los usuarios
publican en redes sociales. La idea es la de crear un modelo que pueda clasificar
cada comentario como positivo, negativo o neutro para estudiarlos, lo primero
sería navegar por redes sociales y recolectar los mensajes donde ser nombra la
compañía.
El problema es que no tenemos, es decir, no sabemos cuál es el sentimiento de
cada comentario, es aquí donde entre el aprendizaje semi-supervisado, con el uso
de este enfoque se comienza etiquetando manualmente algunos comentarios,
teniendo una pequeña cantidad de comentarios etiquetados se utilizan los
modelos restantes del entrenamiento para etiquetar el resto de comentarios.
Finalmente se entrena un algoritmo de aprendizaje supervisado utilizando como
etiquetas las etiquetadas manualmente más las generadas por los modelos
anteriores.

Aprendizaje por Refuerzo

El aprendizaje por refuerzo es un método de aprendizaje automático que se basa
en recompensar comportamientos deseados y penalizar los no deseados, al
aplicar este método un agente es capaz de percibir e interpretar el entorno,
ejecutar acciones y aprender a través del prueba y error.
Este aprendizaje fija objetivos a largo plazo para obtener una recompensa general
máxima y lograr una solución óptima, los juego y videojuego son el tiempo de
campo en el que más se utiliza este aprendizaje, alguno de los ejemplos son
AlphaGo y Pacman, en estos casos el agente recibe una serie de instrucciones o
información sobre el juego y aprende a jugar por sí mismo, al principio se
comportara de manera aleatoria, pero con el tiempo empezara a aprender
movimientos más sofisticados.
Este aprendizaje también se aplica a áreas como la robótica, la optimización de
recursos o sistemas de control.

Aplicación del Machine Learning

● Diagnósticos Médicos: Los sistemas de ML se utilizan para revisar

imágenes médicas y desarrollar diagnósticos a partir de informes de
patología. Un estudio mostro que un ordenador fue capaz de encontrar el
52% de los cánceres un año antes de que los pacientes fueran
diagnosticados oficialmente. A su vez, el machine learning está allanando el
camino para tratamientos más personalizados basados en datos de salud
individuales, este tipo de diagnósticos podrían estar utilizando un
aprendizaje supervisado o semi - supervisado.
● Búsqueda Online: Los buscadores online utilizan el ML para mejorar sus
resultados, aprenden constantemente del comportamiento de los usuarios
para ofrecer una experiencia más personalizada cada vez que realizan
búsquedas. Por ejemplo, si escribes “gato” en tu navegador, después de
unos minutos analizando la forma en que estás navegando, Google (o Bing,
o Yahoo …) comprenderá que estás buscando una herramienta para el
coche y no el animal.
● Coches Inteligentes: Estos coches utilizan el ML no solo para conducir
ellos mismos, sino también para conocer las preferencias de sus
propietarios y ajustarse automáticamente en función de sus gustos y
aversiones, como establecer la temperatura en 20 grados y encender los
asientos con calefacción durante el invierno.
¿Campo de ML está creciendo?

La inteligencia artificial durante los últimos años se ha estado convirtiendo en una

de las bases fundamentales del crecimiento y la transformación digital, ya que esta
forma parte de las estrategias de automatización, mejora de experiencia al cliente
y la administración operativa de diversos sectores.
El machine learning es una de las vertientes de la inteligencia artificial que más
evolución ha presentado hasta ahora, y ya acumula un 40% de las patentes de IA
presentadas entre 2013 y 2016, pero el Deep learnig o aprendizaje profundo es el
que más ha crecido con un 175% desde el 2019.
Entre las técnicas que más se ven en el ranking están el aprendizaje multitarea y
las redes neuronales, aunque las empresas más vinculadas al desarrollo de la IA
en donde se destinan más recursos son las áreas de telecomunicaciones,
atención médica y transportes, siendo este último uno de los que más está
creciendo en investigación casi a la par con la agricultura y el uso en las
administraciones públicas y gobiernos centrales.

¿Que son redes neuronales?

Las redes neuronales son sistemas computacionales, inspirados en las neuronas

las cuales constituyen el cerebro de los seres humanos y animales, usando esta
estructura los computadores son dotados con inteligencia artificial, están formadas
por unidades básicas llamadas neuronas que se conectan entre sí formando la red
neuronal. El objetivo de estos algoritmos es el de entender los datos del mundo ya
sean imágenes, texto o voz, para procesarlos, clasificarlos y etiquetarlos.

¿Cómo funcionan las redes neuronales?

El funcionamiento de las redes neuronales se asemeja al de un cerebro humano,

Las RNA reciben un valor de entrada para luego llegar hasta un nodo que es
llamado neurona, cada una posee un peso (valor numérico) con el cual se logra
modificar la entrada recibida.
Las neuronas de la red están a su vez agrupadas en capas que forman la red
neuronal. Cada una de las neuronas de la red posee a su vez un peso, un valor
numérico, con el que modifica la entrada recibida. Los nuevos valores obtenidos
salen de las neuronas y continúan su camino por la red. Este funcionamiento
puede observarse de forma esquemática en la siguiente imagen.
Una vez que se ha alcanzado el final de la red se obtiene una salida que será la
predicción calculada por la red. Cuantas más capas posea la red y más compleja
sea, también serán más complejas las funciones que pueda realizar.

Aplicaciones de las Redes Neuronales

● Recomendador de Youtube: Youtube es una compañía dedicada al

contenido audiovisual permitiendo a sus usuarios crear y compartir
contenido personalizado, las recomendaciones de Youtube son las
responsables de ayudar a más de mil millones de usuarios a descubrir
dichos contenidos, entre los mayores retos de esta plataforma a la hora de
crear el algoritmo es la cantidad de datos que son subidos por segundo. Por
eso la red neuronal tiene que ser sensible tanto para el ultimo contenido
subido como a las interacciones de los usuarios con este.
● Dynamic Pricing Amazon: Amazon es una página muy conocida que se
distingue por sus precios dinámicos, según un estudio Amazon varía los
precios más de 2.5 millones de veces al día. El reto de esta red neuronal es
que los precios en la era digital deben fijarse en tiempo real basándose en
la oferta y la demanda de un determinado producto durante un limitado
periodo de tiempo. Compañías como Wallmart o Uber utilizan estos
algoritmos para ofrecer precios más competitivos a sus clientes.
● Identificar Riesgos en Banca: HSBC es una de los bancos que utiliza
redes neuronales para transformar la forma de procesar los préstamos e
hipotecas. Esta compañía usa este tipo de algoritmos de inteligencia
 artificial para analizar el comportamiento de antiguos clientes y así poder
dar una estimación del riesgo para un cliente nuevo a la hora de adquirir
una hipoteca o préstamo.

Referencias
criteo. (21 de 06 de 2018). Machine learning en la vida real: 5 aplicaciones actuales. Obtenido de
criteo.com: https://www.criteo.com/es/blog/machine-learning-en-la-vida-real-5-
aplicaciones-actuales/

ibertech. (22 de 03 de 2018). ¿Qué es Machine Learning y qué aplicaciones tiene en nuestro día a
día? Obtenido de ibertech.org: https://www.ibertech.org/que-es-machine-learning-y-que-
aplicaciones-tiene-en-nuestro-dia-a-dia-2/

Innovation, A. (22 de 08 de 2019). Qué son las redes neuronales y sus funciones. Obtenido de Atria
Innovation: https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus-
funciones/

ittrends. (14 de 02 de 2019). Machine learning es la tecnología dominante dentro de la inteligencia

artificial. Obtenido de ittrends.es:
https://www.ittrends.es/inteligencia-artificial/2019/02/machine-learning-es-la-tecnologia-
dominante-dentro-de-la-inteligencia-artificial#:~:text=Concretamente%2C%20el
%20machine%20learning%20es,un%20175%25%20durante%20este%20per%C3%ADodo.

Pardo, C. (20 de 07 de 20). ¿Qué son las redes neuronales y cómo se aplican? Obtenido de
enzymea dvising group: https://blog.enzymeadvisinggroup.com/redes-neuronales-que-
son-y-aplicaciones

Sanchez, J. A. (31 de 08 de 2020). ¿Cómo aprenden las máquinas? Machine Learning y sus
diferentes tipos. Obtenido de datos.gob.es: https://datos.gob.es/es/blog/como-aprenden-
las-maquinas-machine-learning-y-sus-diferentes-tipos#:~:text=incluyendo%20algunos
%20ejemplos.-,Tipos%20de%20aprendizaje%20autom%C3%A1tico,supervisado%20y
%20aprendizaje%20por%20refuerzo.