Tema:

Machine Learning

Semana 13

Docente: Carlos del Carpio

 Propósito de la sesión

El propósito de la presente sesión es:

• Definir “Machine Learning” y sus implicaciones.

• Técnicas de “Machine Learning”.

• Actualidad de “Machine Learning”.

Preguntas motivadoras del
tema
¿Cómo explicar que los sistemas pueden
mejorar su rendimiento a partir de la
experiencia?

¿Crees que las máquinas pueden

aprender como lo hace un humano?
 El Machine Learning tiene sus raíces en la década
de 1950, cuando Alan Turing creó el “Test de

Orígenes Turing” y Arthur Samuel desarrolló el primer

algoritmo que podía aprender. Posteriormente, en
los años 60 y 70, se desarrollaron algoritmos

de como el “Nearest Neighbor” y “Perceptron”.

Machine El “Test de Turing” es un ejemplo de cómo se

intentó evaluar la capacidad de una máquina para
Learning simular el pensamiento humano. El “Perceptron”
fue un algoritmo que se utilizó para clasificar
imágenes y reconocer patrones.

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460.

 Hitos importantes en Machine Learning

Entre los hitos importantes en el Machine

Learning se encuentran el desarrollo del
algoritmo “Nearest Neighbor” en 1967, el
“Perceptron” en 1957 y el “NETtalk” en 1986.
Estos algoritmos han sido fundamentales para
el avance de la IA y el Machine Learning.

El “NETtalk” es un ejemplo de cómo se puede

utilizar el Machine Learning para aprender
tareas cognitivas como la pronunciación de
palabras. Este programa aprendió a
pronunciar texto escrito en inglés.

Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1), 21-27.
 Machine Learning: Una Introducción

Machine Learning es una técnica de IA que enseña a los equipos Un ejemplo de Machine Learning es el reconocimiento facial en las
informáticos a aprender de la experiencia. Los algoritmos de Machine cámaras de seguridad. Estas cámaras pueden aprender a reconocer
Learning recurren a métodos computacionales para “aprender” y clasificar a las personas a través de la exposición a grandes
información directamente a partir de datos, sin depender de una conjuntos de datos de imágenes faciales.
ecuación predeterminada como modelo.

Mitchell, T. M. (1997). Machine learning. McGraw-Hill Science/Engineering/Math. Imágenes: algorithmxlab.com

 Arquitectura del computador
y Machine Learning

• La arquitectura del computador es

fundamental para el desarrollo de algoritmos
de Machine Learning. Los procesadores,
memoria RAM y almacenamiento de datos
son componentes clave en el proceso de
aprendizaje automático.

• Un ejemplo de cómo la arquitectura del

computador influye en el Machine Learning
es la utilización de procesadores
especializados para el procesamiento de
datos en tiempo real, como los utilizados en
sistemas de reconocimiento facial.

Hennessy, J. L., & Patterson, D. A. (2011). Computer architecture: a quantitative approach. Elsevier. Imagen: charlestech.fr
Business Intelligence y Machine Learning

La Business Intelligence es una herramienta Un ejemplo de cómo se utiliza el Machine

fundamental para el análisis de datos y la toma Learning en la Business Intelligence es la
de decisiones informadas. El Machine Learning predicción de ventas. Algoritmos de Machine
se utiliza comúnmente en la Business Learning pueden analizar datos históricos de
Intelligence para analizar grandes conjuntos de ventas y predecir tendencias futuras.
datos y extraer patrones y tendencias.

Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard Business Press.
 Movimientos en la
industria tecnológica

• En los últimos meses de 2024, la industria

tecnológica ha visto un aumento en la
adopción del Machine Learning en
aplicaciones comerciales. La creciente
demanda de datos y la necesidad de análisis
avanzados han impulsado el desarrollo de
tecnologías de Machine Learning.
• Un ejemplo de cómo se está utilizando el
Machine Learning en la industria tecnológica
es la creación de asistentes. Estos asistentes
utilizan algoritmos de Machine Learning para
analizar el lenguaje natural y responder a
preguntas, entablar conversaciones largas,
reconocer el ambiente donde se encuentran y
contestar emulando emociones.

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.
Imagen: themoviedb.org
Tipos de aprendizaje:
Aprendizaje supervisado

El aprendizaje supervisado es un enfoque de

Machine Learning en el que se utiliza una
etiqueta o resultado para entrenar el modelo.
Este enfoque es común en aplicaciones
como la clasificación de imágenes y la
predicción de resultados.

Un ejemplo de aprendizaje supervisado es la

clasificación de imágenes de objetos. Un
modelo de Machine Learning puede ser
entrenado con imágenes etiquetadas para
aprender a reconocer y clasificar objetos.

Bishop, C. M. (2006). Pattern recognition and machine learning. springer. Imagen: databasetown.com
 Tipos de aprendizaje:
Aprendizaje no supervisado

El aprendizaje no
supervisado es un enfoque
de Machine Learning en el
que el modelo aprende a
partir de datos sin etiquetas.
Este enfoque es común en
aplicaciones como la
detección de anomalías y la
segmentación de datos.

Un ejemplo de aprendizaje
no supervisado es la
detección de anomalías en
un sistema de seguridad. Un
modelo de Machine
Learning puede aprender a
identificar patrones
normales en el tráfico de
datos y detectar anomalías.
 Tipos de aprendizaje:
Aprendizaje por refuerzo

Es un enfoque en el que el
modelo aprende a partir de la
retroalimentación. Este enfoque
es común en aplicaciones como
el juego y la optimización de
procesos.

Un ejemplo de aprendizaje por

refuerzo es el juego de ajedrez.
Un modelo de Machine Learning
puede aprender a jugar mejor a
través de la retroalimentación de
resultados y la adaptación de
estrategias.

Bishop, C. M. (2006). Pattern recognition and machine learning. springer Imagen: nixustechnologies.com
 Modelos de Machine Learning

• Los modelos de Machine Learning son fundamentales para el

desarrollo de algoritmos de aprendizaje automático. Algunos
ejemplos de modelos de Machine Learning incluyen redes
neuronales, árboles de decisión y algoritmos de clustering.
• Un ejemplo de modelo de Machine Learning es la red neuronal.
Estas redes pueden aprender a reconocer patrones y clasificar
datos de manera efectiva.
 Modelos de Machine Learning
Redes neuronales
Son un tipo de modelo de Machine Learning que se inspira en la estructura y
función del cerebro humano. Estas redes pueden aprender a reconocer
patrones y clasificar datos de manera efectiva.
Un ejemplo de red neuronal es la red LSTM (Long Short-Term Memory)
utilizada en aplicaciones como el reconocimiento de voz y el procesamiento de
lenguaje natural.

Árboles de decisión
Son un tipo de modelo de Machine Learning que se utiliza para clasificar
datos y hacer predicciones. Estos árboles pueden ser entrenados con datos
etiquetados y utilizados para tomar decisiones informadas.
Un ejemplo de árbol de decisión es el clasificador de spam. Un modelo de
Machine Learning puede aprender a clasificar correos electrónicos como
spam o no spam a través de la exposición a grandes conjuntos de datos.
Fuente de imagen: es.dreamstime.com
Algoritmos de clustering
Se utiliza para agrupar datos similares.
Estos algoritmos pueden ser utilizados para
identificar patrones y tendencias en
grandes conjuntos de datos.
Uno de los algoritmos más utilizado es el
algoritmo K-Means. Este algoritmo puede
aprender a agrupar datos en clusters según
sus características y similitudes. Además
de Clustering Jerárquico, Basado en
Densidad y DBSCAN.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.
Aplicaciones de Machine Learning

Imagenes: pi.exchange, slanglabs.in, blogadvance.ai

Desafíos de Machine Learning
Machine Learning enfrenta una serie de desafíos, incluyendo la
necesidad de grandes conjuntos de datos, la complejidad de los
algoritmos y la falta de transparencia en los resultados.

Domingos, P. (2012). A few useful things to know about machine learning. Communications of the ACM, 55(10), 78-87.
Caso de estudio
Herramientas y tecnologías

Un ejemplo de herramienta de Machine Learning es TensorFlow, una

biblioteca de código abierto que proporciona un entorno de desarrollo
numérico y Machine Learning.
 Modelos de Lenguaje LLM y SLM
Son una clase de modelos de lenguaje de
inteligencia artificial que se han entrenado
en grandes cantidades de texto para
generar texto coherente y relevante.
Algunos ejemplos incluyen ChatGPT de
OpenAI, Gemini de Google y LlaMa de
Meta.
Una aplicación de LLM es la generación
de texto, como artículos, historias o
respuestas a preguntas. Estos modelos
pueden aprender de grandes conjuntos
de datos y generar texto que suena
natural y relevante.

Hazelwood, K., Bird, S., Brooks, D., Chintala, S., Diril, U., Dzhulgakov, D., ... & Smelyanskiy, M. (2018, April). Applied machine learning at Facebook: A datacenter infrastructure perspective. In 2018 IEEE International Symposium on
High Performance Computer Architecture (HPCA) (pp. 620-629). IEEE.
NVIDIA y Machine Learning
NVIDIA es una empresa líder en el desarrollo de GPUs
(Unidades de Procesamiento Gráfico) que son
altamente eficientes para el entrenamiento y
ejecución de modelos de Machine Learning. Las
GPUs de NVIDIA han sido ampliamente adoptadas en
la industria del Machine Learning debido a su alto
rendimiento y eficiencia energética.

Las GPUs de NVIDIA se usan el entrenamiento de

modelos de redes neuronales profundas. Estos
modelos requieren una gran cantidad de poder de
cómputo para procesar grandes conjuntos de datos y
aprender patrones complejos, lo que hace que las
GPUs sean ideales para esta tarea.
 Síntesis y
metacognición
Sintesis
• En conclusión, el Machine Learning es una técnica de IA que
enseña a los equipos informáticos a aprender de la experiencia.
Los algoritmos de Machine Learning recurren a métodos
computacionales para “aprender” información directamente a
partir de datos, sin depender de una ecuación predeterminada
como modelo.
• Un ejemplo de cómo el Machine Learning puede ser utilizado en la
vida diaria es el reconocimiento facial en las cámaras de seguridad.
Estas cámaras pueden aprender a reconocer y clasificar a las
personas a través de la exposición a grandes conjuntos de datos
de imágenes faciales.
Síntesis:

Los datos son eventos recopilados sin procesar. La información son los

datos procesados y estructurados listos para ser utilizados. Los sistemas

de información son el conjunto de componentes (personas, recursos

materiales, información, etc.) cuyo fin es cubrir las necesidades de las

organizaciones.
Metacognición:

• ¿Qué aprendí en esta sesión?

• ¿Qué preguntas tengo sobre el tema?

Bibliografía
Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460.

Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on
information theory, 13(1), 21-27.

Mitchell, T. M. (1997). Machine learning. McGraw-Hill Science/Engineering/Math. Imágenes:

algorithmxlab.com

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in
a time of brilliant technologies. W. W. Norton & Company. Imagen: themoviedb.org
Muchas gracias