Universidad Mariano Gálvez de Guatemala

Facultad de Ingeniería en Sistemas de

Información Seminario de Administración de
Sistemas
Catedrático: Ing. Ernesto González

Tarea No. 2

Nombre Carné #

Manuel B. Reyes Azurdia 0900-99-3193

Axel Iván González Santos 0494-09-646
Ana Lizeth Barillas Zacarías 0900-02-92
Oscar Rigoberto Martínez 0494-06-316

Guatemala, 28 de abril 2018.

 Introducción

En el presente trabajo documentado se realiza una investigación sobre algunos

algoritmos utilizados en ramas de la inteligencia artificial, utilizando ejemplos y
casos de uso para la aplicación en entidades privadas que ofrecen servicios de
tarjetas de crédito y débito. Se puede observar una descripción detallada de los
algoritmos genéticos, el aprendizaje supervisado y no supervisado, así como
algunas consideraciones que deberían poderse realizar en las normas PCI
(Payment Card Industry) al momento de querer implementar dichos algoritmos.

Otro aspecto importante que puede verificarse en el siguiente trabajo es el tema

de Automatización de Inteligencia Artificial para Google, detallando un poco de
historia, así como los avances tecnológicos que ha tenido dicha compañía y las
innovaciones que pretende realizar en un futuro cercano.

Por último, se puede observar un breve, pero detallado resumen del curso
Machine Learning, curso compartido por la Universidad de Stanford, en donde se
plasma la información más relevante sobre este tema, así como aplicaciones
recientes y utilizadas en el mundo de la tecnología. De igual forma se documentan
los algoritmos utilizados por Machine Learning, así como su clasificación y
modelos.

pág. 2
Índice
Tipos de algoritmos .......................................................................... 4
Algoritmos Genéticos ..................................................................... 4
Aprendizaje supervisado (Machine learning) ......................................... 6
Existen dos tipos de reglas de aprendizaje automático: ........................... 6
¿Cómo decidir qué algoritmo de aprendizaje automático utilizar? .............. 6
Árboles de decisión: ........................................................................ 7
Modelos de regresión lineal: .............................................................. 7
Métodos de regresión logística: .......................................................... 7
Máquinas de vectores de soporte: ....................................................... 7
El algoritmo de clasificación Naïve Bayes: ............................................. 7
Aprendizaje No Supervisado ............................................................. 8
Consideraciones normativas PCI ........................................................ 9
Automatización de la inteligencia artificial ............................................ 10
Automatización de Inteligencia Artificial (GOOGLE) .............................. 10
Curso Standford machine learning ...................... ¡Error! Marcador no definido.
Aprendizaje automático ................................................................. 13
Puntos vistos en clase .................................................................. 13
Matlab ....................................................................................... 14
Coursera .................................................................................... 14
Explicaciones en los videos ............................................................ 14
Los videos ................................................................................. 15
Conclusiones ................................................................................ 15
Recomendaciones .......................................................................... 18
Comentarios ................................................................................. 20

pág. 3
 Tipos de algoritmos

Algoritmos Genéticos

Durante el año 1962 se estableció un precedente por parte de John Henry

Holland para lo que hoy conocemos como Algoritmos Genéticos (AG). Holland fue
profesor de filosofía e ingeniería en la Universidad de Michigan, también es
conocido como el padre del algoritmo genético.

Un algoritmo genético está basado en la evolución biológica y su base genético-

molecular, imitando la teoría de la evolución biológica de Darwin para la
resolución de problemas. Esto es posible a través de métodos adaptativos que
pueden usarse para resolver problemas de búsqueda y optimización. Los
Algoritmos Genéticos son capaces de ir creando soluciones para problemas del
mundo real ya que están basados en el proceso genético de los organismos vivos.

Los algoritmos genéticos se diferencian principalmente de los demás tipos de

algoritmos evolutivos por la forma de representar a los individuos, que lo hace por
medio de cadenas binarias (Arrays binarios).

Pasos básicos de un algoritmo genético:

 Evaluar la puntuación de cada uno de los cromosomas generados.

 Permitir la reproducción de los cromosomas siendo los más aptos los que
tengan más probabilidad de reproducirse.
 Con cierta probabilidad de mutación, mutar un gen del nuevo individuo
generado.
 Organizar la nueva población.

Operaciones de algoritmos genéticos

1. Codificación de las Variables

2. Selección
3. Reproducción o Crossover
4. Mutación
5. Reemplazo
6. Mejor solución

pág. 4
Las operaciones anteriores se pueden representar como un diagrama de flujo
para un mejor entendimiento.

Esquema de un algoritmo genético

Los Algoritmos Genéticos se pueden aplicar en muchas disciplinas como:

 Aprendizaje de comportamiento de robots

 Diseño de circuitos integrados.
 Diseño por computadoras.
 Infraestructura de redes de comunicaciones móviles.
 Ingeniería Aeroespacial.
 En teoría de juegos.
 Análisis de expresión de genes.
 Optimización de estructuras moleculares.
 Ubicación de archivos en sistemas de almacenamiento distribuido.
 Optimización de producción de energía eléctrica.

Aplicación en Tarjetas de Crédito

Las instituciones de Crédito realizan un historial por usuario de los pagos

realizados a las tarjetas de crédito. En base a este comportamiento se puede
determinar extender el crédito, autorizar una transacción y detectar fraudes.
Aprendizaje supervisado (Machine learning)

El Aprendizaje supervisado o automático es un subgénero de la inteligencia

artificial. Este es esencial para la mayoría de las arquitecturas de redes
neuronales, ya que la elección de un algoritmo de aprendizaje es un punto central
en el desarrollo de una red, esto implica que una unidad de procesamiento es
capaz de cambiar su comportamiento de entrada/salida como resultado de los
cambios en el medio.

Existen dos tipos de reglas de aprendizaje automático:

El aprendizaje supervisado, que entrena un modelo con datos de entrada y salida

conocidos para que pueda predecir salidas futuras, y el aprendizaje no
supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los
datos de entrada.

¿Cómo decidir qué algoritmo de aprendizaje automático utilizar?

Aprendizaje supervisado: puede elegirse si necesita entrenar un modelo para

realizar una predicción; por ejemplo, el valor futuro de una variable continua
(como la temperatura o el precio de una acción) o una clasificación (por ejemplo,
identificar marcas de electrodomésticos a partir de vídeo de una webcam).
Aprendizaje no supervisado: puede elegirse si necesita explorar sus datos y
desea entrenar un modelo para localizar una buena representación interna, como
la división de datos en clúster.
Flujo de trabajo de aprendizaje automático (Machine Learning Workflow) Es
importante conocer el flujo de trabajo involucrado en machine learning.
El proceso de aprendizaje automático

Construcción de Visualizar los

Recopilación de Limpieza de datos Obtener datos
modelos y
datos de diversas para tener información de los transformando
selección del
fuentes homogeneidad
algoritmo correcto
resultados resultados en
gráficos visuales

Elaboración propia, fuente: pythontips.com

La limpieza de datos entra cuando nuestro conjunto de datos tiene valores

incompletos o faltantes, y la selección del algoritmo implica familiarizarse con el
problema que se intenta resolver.

Si se realiza el modelo solo para predicciones y no específicamente para obtener

información, entonces el flujo de trabajo termina aquí y se comienza a
implementar el modelo entrenado en producción. Sin embargo, si se está
realizando un trabajo de investigación o se quiere obtener información, entonces
se puede trazar los resultados utilizando gráficos.
Aplicaciones de Machine Learning

Árboles de decisión:
Pueden emplearse para predecir la respuesta del público ante el lanzamiento de
un nuevo producto o para averiguar la capacidad de una campaña de marketing.

Modelos de regresión lineal:

Permite desde desarrollar previsiones de futuro, identificar los factores de mayor
incidencia de ventas en una corporación o determinar cuánto afectará un cambio
en las tasas de interés a una cartera de bonos.

Métodos de regresión logística:

Las empresas pueden utilizarlo en sus pronósticos acerca de los ingresos que
obtendrán con la venta de un determinado producto o las condiciones
climatológicas en un área determinada y una fecha en concreto que pudieran
afectar al transporte de mercancías.

Máquinas de vectores de soporte:

Basan su funcionamiento en un algoritmo de clasificación binario que facilita a los
negocios identificar el género de los usuarios de sus webs o escoger el tipo de
publicidad que debe aparecer en la pantalla.

El algoritmo de clasificación Naïve Bayes:

Permite encontrar la hipótesis que mejor lo describe y así poder llegar a una
conclusión. Se utilizan para el software de reconocimiento facial o para determinar
si la emoción contenida en un texto es positiva o negativa. También se utilizan
para identificar un correo electrónico como spam o no spam.

Aplicación en Tarjetas de Crédito

Identifica patrones de comportamiento para identificar operaciones

fraudulentas. Realiza la predicción del análisis de riesgos de crédito de una
persona en función de la información que se proporciona.
Aprendizaje No Supervisado

El Aprendizaje No Supervisado es una técnica de aprendizaje automático que se

basa en un algoritmo diseñado para encontrar patrones ocultos o estructuras
intrínsecas en los datos.

Este tipo de algoritmo de aprendizaje automático, es utilizado para extraer

inferencias, a partir de conjuntos de datos, que consisten en datos de entrada sin
respuestas etiquetadas. Es decir, no hay funciones de correspondencia que
permitan validar o clasificar los datos, sino que aprende a identificar patrones para
hacerlo.

El método de aprendizaje no supervisado más común es el análisis de

conglomerados, que es un Agrupamiento Jerárquico, que crea una jerarquía
multinivel de clusters mediante la creación de un árbol de clústeres. La
Agrupación K-Means divide los datos en k grupos distintos en función de la
distancia al centroide de un clúster. Los Modelos Gaussianos de Mezclas que usa
clusters de modelos como una mezcla de componentes de densidad normal multi-
variante. Mapas Auto organizados que usa redes neuronales que aprenden la
topología y distribución de los datos, y lo Modelos Ocultos de Markov que utilizan
datos observados para recuperar la secuencia de estados.

Los métodos de aprendizaje no supervisados se utilizan en bioinformática para el

análisis de secuencias y la agrupación genética; en minería de datos para
secuencia y minería de patrones; en imágenes médicas para la segmentación de
imágenes; y en visión artificial para el reconocimiento de objetos.

Una aplicación para Tarjetas de Crédito, es el enfoque de Análisis de Grupo de

Pares, con el que bancos de Estados Unidos trabajaron, específicamente,
mediante el análisis de grupos de pares en la detección de fraude con tarjetas
plásticas. Lo definieron como un método no supervisado que analiza el
comportamiento a lo largo del tiempo al monitorearlo. Este enfoque se puede
utilizar para identificar la detección de fraude de tarjetas de crédito mediante el
análisis de las transacciones fraudulentas. En esto, esas transacciones se desvían
de su grupo de pares denominado transacciones anómalas / fraudulentas. Hay dos
tipos de enfoque para detectar el fraude, el primero en la forma en que se conoce
el fraude, esto puede detectarse mediante la coincidencia de patrones, y el
segundo cuando no se conoce el tipo de fraude, nos acercamos a las técnicas de
detección de anomalías y el análisis de grupos pares.

Dada la diferencia entre el aprendizaje supervisado, no supervisado y semi-

supervisado se infiere que, con el aprendizaje no supervisado, ninguno de los
datos está etiquetados y los algoritmos aprenden la estructura inherente de los
datos de entrada, además, se puede usar una combinación de técnicas
supervisadas y no supervisadas para lograr mejores resultados los cuales han
probado ser muy fiables en la aplicación.
Consideraciones normativas PCI

Los suplementos informativos complementan las PCI DSS e identifican las

consideraciones y recomendaciones adicionales para cumplir con los requisitos
de las PCI DSS, las cuales no sustituyen, reemplazan ni extienden las PCI DSS ni
ninguno de sus requisitos.

La normativa PCI sirve para mantener la seguridad frente a las amenazas, esto
para mejorar el equipo relacionado a esta, combatiendo a través de capacitación
de los profesionales encargados de la seguridad.

Recordemos que el PCI es una norma, que regula a las empresas que trabajan o
distribuyen tarjetas de crédito a usuarios finales, esto con el fin, de velar por la
seguridad de la información de los clientes.

Las consideraciones que debe tener el PCI son tanto internos como externos de
la empresa que distribuye las tarjetas.

La empresa puede tener los 12 requisitos para poder distribuir tarjetas, pero el
PCI debe considerar el uso que le dará el usuario, el ataque externo que el usuario
está frecuentemente expuesto.

La tecnología va en constante evolución, junto con ella van las buenas prácticas y
las malas, en la genética el usuario propietario de una tarjeta debería de ser el
único que podría llegar a utilizarla, sin importar que la pueda prestar o se la roben
no importando la cantidad a sacar o usar.

En el aprendizaje supervisado se debe de tener en consideración una bitácora de

un cliente que usa frecuentemente su tarjeta y que lugares, esto ayuda tanto al
usuario como a la empresa para brindar un mejor servicio o para prevenir fraudes,
ya sea para ayudar al cliente o que el cliente quiera hacer, que clientes han
pagado y cuáles no.

El aprendizaje no supervisado la normativa PCI debe considerar que no siempre

una empresa estará supervisando al cliente, para eso se crean sistemas
inteligentes que usan históricos que no están etiquetados, para explorar una
estructura con el fin de organizarlo, haciendo posible agrupar clientes con
características o comportamientos similares, esto serviría como si se hiciera una
campaña de marketing altamente segmentada.
 Automatización de la inteligencia artificial

Automatización de Inteligencia Artificial (GOOGLE)

La evolución en la tecnología cada vez va más rápida y las grandes empresas

han invertido en bastantes recursos tanto en dinero como en personal humano
para la innovación, Google no se queda atrás es por eso que es considerada una
de las compañías más innovadoras hoy en día, con múltiples proyectos de
tecnología que pueden ofrecernos soluciones en un futuro cercano, la compañía
realiza fuertes inversiones para la innovación de inteligencia artificial, hoy en día,
son pocas las tecnologías de Google que no utilizan la inteligencia artificial y el
aprendizaje automático. La inteligencia artificial está reinventando productos
existentes, por ejemplo, podría mencionarse Google Maps.

La inteligencia artificial, proyecto en donde Google ha evolucionado y ha obtenido

grandes descubrimientos y conocimientos, quizás sea la compañía que de
momento más apuesta por el desarrollo de la misma. En 2012, Google anunció su
Gráfico de conocimiento, que fue diseñado para entender que las palabras clave
no eran sólo cadenas de caracteres, sino que también se refiere a las cosas
reales en el mundo que están relacionados entre sí.

Otro de sus primeros proyectos generados por la compañía fue la adquisición de

la compañía DeepMind, en el año 2014, dicha compañía dedicada a la inteligencia
artificial inicio los trabajos con Google para la innovación de este tipo de
proyectos. Con DeepMind se creó una red neuronal que aprende cómo jugar
videojuegos de una manera similar a la de los humanos, se efectuaron varias
pruebas en donde esta tecnología superaba a las personas a la hora de jugar un
videojuego, esta inteligencia artificial aprende de la experiencia, prueban el
sistema en especial juegos, y sin alterar el código se empieza a entender como
jugar el juego, y después de jugar varias veces, tiene una mayor eficiencia al jugar
que cualquier humano.

Uno de los proyectos interesantes de Google, es aplicar inteligencia artificial en la

medicina, específicamente para la detección de cáncer lo cual se espera sea más
eficiente del diagnóstico dado por un médico, de momento la esta innovación ha
dado buenos resultados en las pruebas que ha sido sometida, el aprendizaje
profundo de Google analiza miles de células cancerosas, gracias a este tipo de
aprendizaje, las computadoras logran reconocer patrones en enormes conjuntos
de datos que pueden ser analizados rápidamente y dar un diagnostico efectivo,
Google indica que estas herramientas no están creadas para suplir a los médicos
sino más bien para apoyar en los diagnósticos que realizan los mismos, esta
tecnología aún está en vías de desarrollo, pero se espera que pronto pueda
madurar más y así poder expandirse a nivel mundial con el fin de detectar casos
severos de cáncer y ayudar y realizar los tratamientos adecuados.
En el año 2017 cobro fuerza la inteligencia artificial en los smartphones sobre todo
en cuanto a reconocimiento y síntesis de voz, Google lanza su propia inteligencia
artificial de síntesis de voz bajo el nombre de Tacotron 2, y para ello nos propone
distinguir las muestras de audio de este sistema, de las muestras narradas por un
ser humano ya que la finalidad de esta tecnología es imitar la voz humana y que
no sea detectada, los resultados de esta inteligencia artificial fueron
sorprendentes y hoy en día evolucionan a paso acelerado, prácticamente la
pronunciación es perfecta, y Tacotron 2 incluso es capaz de interpretar signos de
puntuación a la vez que ajusta el tono de la oración para otorgarle una mayor
naturalidad.

Otra utilidad que Google le ha dado a la inteligencia artificial es integrarlo con el

aprendizaje automatizado, esto se puede ver reflejado en la aplicación para
Smartphones Google Flights, que revela el estado de los vuelos la cual les indica
a los usuarios la información constante y actualizada sobre los vuelos de su
interés. De igual forma podrán obtener acceso a las diferencias entre las clases
disponibles de cada aerolínea que detallará las condiciones, qué incluye cada
pasaje, desde equipaje hasta la comida, todo esto es posible gracias a la
recopilación de Big Data de los aeropuertos y el análisis mediante inteligencia
artificial, podría decirse que es una utilidad no tan compleja como el resto de
innovaciones de inteligencia artificial pero es funcional para los usuarios finales
que utilizan estos tipos de servicios de vuelo.

A continuación, se presenta una gráfica que muestra el crecimiento desde el año

2012 al 2016 en cuanto a inteligencia artificial por parte de Google, como se
puede observar básicamente se ha ido aumentando su aprendizaje sobre esta
tecnología:

Actualmente Google ha lanzado un procesador de inteligencia artificial el cual está

abierto a cualquier fabricante, gracias a esta estrategia, Google se está
convirtiendo en la primera compañía del mundo en ofrecer un sistema de
inteligencia artificial listo para usarse sin complicadas configuraciones o costos
elevados en desarrollos. Uno de sus grandes primeros clientes fue LYFT, el cual
incursiono con el lanzamiento de vehículos autónomos.

De igual forma uno de los proyectos más novedosos de Google es el de crear

inteligencia artificial que construya inteligencia artificial, esto en otras palabras
quiere decir que de las máquinas con inteligencia artificial que pueden construir
otras máquinas que usen inteligencia artificial, con esta tecnología se pretende
que puedan construirse desde aplicaciones a teléfonos hasta construcción de
sistemas inteligentes, con el tiempo, el proyecto de Google servirá para que las
empresas construyan sistemas con inteligencia artificial aunque no tengan una
gran cantidad de conocimientos y expandir el poder de la inteligencia artificial
moderna a los negocios que prácticamente no están familiarizados con esta
tecnología. Con este nuevo servicio, Google va un paso más adelante al
proporcionar una forma automatizada para que los negocios creen nuevos
algoritmos.

pág. 11
Otro ejemplo puede ejemplificarse para que los negocios pueden subir sus
propias imágenes, ofrecer una lista de los objetos que aparecen en ellas y
entrenar a sus propios sistemas de visión artificial, con lo cual resolverían tareas
que es probable que no maneje la tecnología existente, con esto pueden ahorrar
tanto en recursos como en tiempo. Inicialmente pondrá este servicio a disposición
solo a un pequeño grupo de negocios, una de las ideas principales es que
cualquier persona puede aplicar a este servicio, ya sea para una aplicación o un
sitio web propio, o como bien se mencionó para una compañía. Este tipo de
Inteligencia Artificial fue bautizado por Google con el nombre de AutoML Vision,
un nuevo servicio que le ayuda a los desarrolladores, incluyendo aquellos que no
tienen conocimientos de inteligencia artificial, a construir modelos de
reconocimiento de imágenes, para utilizar este servicio los desarrolladores tienen
que solicitar acceso, es un formulario el que se especifica para qué se va a usar el
modelo, de qué son las imágenes, qué cantidad, entre otras preguntas muy
básicas.

Recientemente salió a la luz una noticia en donde según indicaban más de 3 mil
empleados de Google no estaban de acuerdo con trabajar con el Pentágono de
Estados Unidos en un proyecto denominado Marven, el cual es un se trata de un
programa de desarrollo de inteligencia artificial que se centra en el reconocimiento
de imágenes posteriormente tras un período de aprendizaje, puede reconocer por
sí mismo elementos que podrían ser considerados una amenaza, este algoritmo
de inteligencia artificial empezó a ser empleado por drones de las fuerzas
armadas estadounidenses a finales del año pasado(2017), parte de sus objetivos
serian detectar vehículos y otros objetos, haciendo seguimiento de sus
movimientos y proveyendo los resultados de su análisis al Departamento de
Defensa.

Los empleados de Google redactaron una carta en donde solicitaban la

cancelación del proyecto dado que no estaba de acuerdo en participar en el
negocio de la guerra. Google por su parte reconoció que es natural que cualquier
uso militar de la inteligencia artificial cause preocupaciones válidas y anunció que
trabaja en el desarrollo de políticas sobre el uso de sus tecnologías de inteligencia
artificial.

pág. 12
 Machine Learning
Universidad de Stanford

El curso ha sido entretenido, en su mayoría son temas matemáticos y

estadísticos, por lo cual nos podemos dar cuenta de la importancia que tienen para
los sistemas informáticos. Es interesante que la Universidad de Stanford aporte a los
estudiantes este tipo de material gratuito a través de sus clases televisadas.

En primer lugar se sugiere que para entender el curso se necesitan requisitos previos
como: álgebra lineal, probabilidad básica, estadística y solución de matrices, pero es
la mentira jamás contada. Claro, puedes vivir con álgebra lineal básica y probabilidad,
pero para comprender y apreciar realmente el material necesitas mucho más que eso.
Se sugiere para el álgebra lineal y para la probabilidad, un intento para estar cómodo
con el teorema de Bayes, las expectativas y las variables aleatorias discretas y
continuas, las distribuciones gaussianas, etc.

Aunque estamos de acuerdo en que todo se puede recorrer como el curso progresa,
probablemente te hará la vida más fácil saber esto cuando entres al curso. A pesar
que se obtuvo una A en esta clase, hubo algunos tutoriales como los de optimización
convexa que aún no podemos entenderlos plenamente.

Aprendizaje automático

Es estadística, no magia. Esto no se puede llegar a ver o leer en esas novelas de

ciencia ficción, que escribes un código sorprendente y luego las máquinas pueden
pensar. Es estadística y dibuja líneas para separar datos, usa la probabilidad para
calcular como clasificar los datos. Cuando entres a esta clase, recuerda que
aprenderás algunas matemáticas duras y locas, no mágicas.

Si bien esto puede parecer obvio, algunas personas parecen estar decepcionadas con
lo que realmente son AI y ML. Un nombre alternativo para esta clase puede ser Stats
9000: "Usemos las estadísticas para crear una nueva palabra de moda que con suerte
nos hará ganar un montón de dinero en Sillicon Valley".

Puntos vistos en clase

Esto es más una clase teórica, que una aplicada. Dicho esto, una vez que
comprendamos la teoría y su belleza, aplicarla no parecerá demasiado difícil. La
mayor parte de su tiempo se gastará en conjuntos de problemas y haciendo
ingeniosos trucos y manipulaciones matemáticos para llegar a sus respuestas finales.
Los conjuntos de problemas tienen algunas preguntas de programación, pero
generalmente eran las preguntas más fáciles.
El proyecto es abierto y usted podría ser súper ambicioso y hacer algo alucinante.
Dicho esto, la mayoría de los estudiantes que comenzaron esta clase tratando de
hacer un proyecto completamente ambicioso apenas salieron. Esto incluye a mi
equipo, que terminó cambiando el proyecto después del hito porque nuestro proyecto
inicial era demasiado ambicioso. Recibimos apoyo de los asesores técnicos que
estaban demasiado ocupados. A menos que desee pasar sus vacaciones de acción
de gracias compensando el tiempo perdido, tenga mucho cuidado si decide hacer un
proyecto loco y ambicioso.

Dicho esto, el proyecto le permitirá trabajar en un problema de su elección e

implementar y analizar una variedad de algoritmos. Creemos que el punto principal
del proyecto fue que una vez haya entendido la teoría, la aplicación de algoritmos de
machine learning no es difícil en absoluto. Muchos algoritmos de machine learning ya
tienen bibliotecas bien documentadas escritas y todo lo que tienes que hacer es
descubrir cómo y cuándo usarlas.

Matlab

Debes saber cómo codificar. Aprender Matlab es bastante fácil y el tutorial de Matlab
es suficiente para enseñarte todo lo que necesitas saber. Matlab está bien
documentado en línea, por lo que cada vez que estés atascado, Google es tu amigo.

Coursera

La principal diferencia es que no aprendes absolutamente matemáticas en esa clase.

Son como decir "Esto es mágico, ve a usarlo". Dicho esto, aprenderás acerca de los
algoritmos de Machine Learning de igual manera en la clase de Coursera. Si no te
importan las matemáticas y deseas aplicar principalmente machine learning, la
principal ventaja de tomarlo en Stanford en lugar de Coursera es el proyecto de final
abierto, ya que no estás alimentado con ningún código y realmente necesitas pensar
en lugar de hacer ciegamente lo que se dice.

Explicaciones en los videos

Creemos que es un conferencista aceptable. Sus notas son fantásticas.

Probablemente sean las mejores notas sobre machine learning que hemos visto en la
vida. Puede que no entiendas las notas o las conferencias de una vez, y eso está bien
porque esto es realmente difícil. Leer las notas y luego ver los videos de las
conferencias ayuda a entender de una mejor manera.

La mayoría del contenido que se muestra estará en las notas de la conferencia. A

veces, muestra algunos videos o gráficos que no están en las notas de la clase y son
muy interesantes.

pág. 14
 Los videos

Se aprende bastante, fueron 20 videos duros y difíciles ya que se tiene que tener un
buen nivel de inglés, por lo demás es un curso maravilloso.

pág. 15
 Conclusiones

 Los algoritmos genéticos están basados en la evolución biológica por lo

cual buscan crear al mejor individuo o la mejor solución a un problema.

 Aprendizaje automático significa aprender de los datos; AI es una palabra

de moda. El aprendizaje automático está a la altura de las expectativas: hay
una cantidad increíble de problemas que puede resolver al proporcionar los
datos de entrenamiento correctos a los algoritmos de aprendizaje correctos.

 El aprendizaje automático se trata de datos y algoritmos, pero

principalmente de datos. Hay una gran cantidad de entusiasmo sobre los
avances en los algoritmos de aprendizaje automático, y particularmente
sobre el aprendizaje profundo. Pero los datos son el ingrediente clave que
hace posible el aprendizaje automático. Puede tener aprendizaje
automático sin algoritmos sofisticados, pero no sin buenos datos.

 El aprendizaje automático entrena un modelo a partir de patrones en sus

datos, explorando un espacio de posibles modelos definidos por
parámetros. Si su espacio de parámetros es demasiado grande, se
sobrepondrá a sus datos de entrenamiento y se capacitará un modelo que
no generalice más allá de él. Una explicación detallada requiere más
matemática, pero como regla, debe mantener sus modelos lo más simple
posible.

 El aprendizaje automático solo puede ser tan bueno como los datos que
usa para entrenarlo. La frase "basura adentro, basura afuera" es anterior al
aprendizaje automático, pero caracteriza acertadamente una limitación
clave del aprendizaje automático.

 El aprendizaje automático solo puede descubrir patrones que están

presentes en sus datos de entrenamiento. Para las tareas supervisadas de
aprendizaje automático, como la clasificación, necesitará una sólida
colección de datos de entrenamiento debidamente etiquetados y con
abundantes características.

 El aprendizaje automático solo funciona si los datos de su entrenamiento

son representativos. Así como un prospecto de fondos advierte que "el
rendimiento pasado no es garantía de resultados futuros", el aprendizaje
automático debería advertir que solo está garantizado que funcione para
los datos generados por la misma distribución que generó sus datos de

pág. 16
 capacitación. Esté atento a las diferencias entre los datos de capacitación y
los datos de producción, y vuelva a entrenar a sus modelos con frecuencia
para que no queden obsoletos.

 La mayor parte del trabajo duro para el aprendizaje automático es la

transformación de datos. Después de leer sobre las nuevas técnicas de
aprendizaje automático, puede pensar que el aprendizaje automático se
trata principalmente de seleccionar y ajustar algoritmos. La realidad es más
prosaica: la mayor parte de su tiempo y esfuerzo se dedica a la depuración
de datos y la ingeniería de características, es decir, la transformación de
funciones sin procesar en funciones que representan mejor la señal en sus
datos.

 El aprendizaje profundo es un avance revolucionario, pero no es una bala

mágica. El aprendizaje profundo se ha ganado su aliento al ofrecer
avances en una amplia gama de áreas de aplicaciones de aprendizaje
automático. Además, el aprendizaje profundo automatiza parte del trabajo
realizado tradicionalmente a través de la ingeniería de características,
especialmente para datos de imágenes y video. Pero el aprendizaje
profundo no es una bala de plata. No puede usarlo de la caja, y aún
necesitará invertir un esfuerzo significativo en la limpieza y transformación
de datos.

pág. 17
 Recomendaciones

Al implementar ML o aprendizaje de máquina por sus siglas en inglés, el objetivo

de implementarlo en aplicaciones comerciales es mejorar sus resultados o
presionar la ventaja competitiva, pero desde una más amplia perspectiva, de la
organización, aprovechando al máximo el tiempo y los recursos que se invierten.

Al implementar ML, se recomienda que los responsables de la toma de decisiones

de TI en el negocio se aseguren de que todo lo que se relaciona con los datos,
desde los de logística hasta cómo se relaciona con los usuarios, trabaje de forma
conjunta para maximizar la efectividad.

Al implementar ML, el éxito, no se trata solo de elegir la herramienta o algoritmo

adecuado, sino que de averiguar cuál enfoque es el adecuado, y diseñarlo para la
situación particular a la que se dirige.

Al implementar ML, es necesario ser persistente ya que las implementaciones de

ML tienen éxito en un ambiente de pruebas y errores continuos. No importa lo
buenos que sean los algoritmos, si el sistema está interactuando con humanos,
entonces tendrá que ajustarse con el tiempo. Se debe medir constantemente la
efectividad general de la implementación e identificar los cambios y variables que
la mejoran y la empeoran y que, a pesar de lo obvio, pocas personas lo hacen
bien.

Al implementar ML, se debe diversificar Ya que hay docenas de herramientas ML

disponibles, de las cuales muchas se pueden usar gratis. Existen bibliotecas
populares de frameworks de código abierto como Caffe, H20, Shogun,
TensorFlow y Torch, y bibliotecas ML en varios proyectos de Apache Software
Foundation (ASF) que incluyen Mahout, Singa y Spark. Además, hay opciones
basadas en suscripción que incluyen Amazon Machine Learning, BigML y Microsoft
Azure Machine Learning Studio. Microsoft también tiene un kit de herramientas
cognitivas gratuito. Lo mejor es una combinación de todas las tecnologías
disponibles para formar un mejor criterio mediante la comparación de los
resultados producidos por las mismas.

Al implementar ML, se debe considerar que hay innumerables recursos

disponibles incluyendo empresas, científicos de datos y profesionales del BD, y
siempre se debe considerar a todos incluyendo cuántos marcos y herramientas
diferentes se utilizarán. En la práctica, se cree que las empresas usan un mínimo
de 5-7 herramientas o más.

Al implementar ML, se recomienda mezclar el aprendizaje “barato” y el profundo

junto en algo así como un híbrido. Por ejemplo, si toma un modelo de visión por
computadora existente y reconstruye las primeras capas en las que se toma una
decisión, se puede optar por un marco existente para un caso de uso
completamente nuevo, es decir tomar un conjunto de datos y escribir un nuevo
algoritmo en la parte superior para ayudar a una computadora a distinguir gatos
de perros.

pág. 19
 Comentarios

Es impresionante darse cuenta que el estudio de la evolución biológica ha

permitido encontrar soluciones a temas actuales ayudando a simplificar la vida del
ser humano a través de la aplicación de algoritmos genéticos principalmente
representados por cadenas binarias.

Al identificar las aplicaciones de machine learning comprendí aún más la

importancia de los métodos estadísticos y de probabilidad en las nuevas
tecnologías. Lo más importante del aprendizaje automático es aprender a
combinar sus algoritmos con las estrategias de negocio de las empresas, por
medio de la aplicación de big data que se encuentra entre las tendencias actuales.
Me parece un gran aporte de parte de la Universidad de Stanford televisar
algunos de sus cursos con temas relevantes en tecnología y compartirlos de
manera gratuita en la web. Sin duda la información está al alcance de quien quiera
encontrarla.

Con el presente trabajo de investigación pude identificar aspectos bastante

relevantes de lo que es la inteligencia artificial, tales como lo son sus usos, su
evolución y la forma en que estas innovaciones tecnológicas se ha ido volviendo
importante para las organizaciones en el mundo, así como para la humanidad.
Otro aspecto que considero relevante son los tipos de algoritmos utilizados por la
inteligencia artificial gracias a la investigación pudimos identificar en qué casos
conviene más utilizar estos algoritmos, y validamos la factibilidad de poderlo
aplicar en una empresa que brinda servicios determinados.

En lo que respecta a la Automatización de Inteligencia Artificial de Google,

identifique varias tecnologías innovadoras que considero pueden ser útiles para
para el ser humano, y considero que deben invertirse más esfuerzo en cuanto a la
inteligencia artificial y la ciencia, me llamo mucho la atención el proyecto que tiene
la compañía para apoyar en la identificación de cáncer.

También con el curso de Machine Learning comprendí como se encuentra de la

mano con la inteligencia artificial lo que permite crear algoritmos bastantes
complejos con base al reconocimiento de patrones y el aprendizaje por parte de
las computadoras con el fin de desarrollar herramientas que puedan desempeñarse
con precisión y exactitud, tanto en tareas familiares, como en actividades nuevas
o imprevistas necesarias en una organización.

Los sistemas de aprendizaje automático son altamente vulnerables a los errores

del operador. Con disculpas a la NRA, "los algoritmos de aprendizaje automático
no matan a las personas; la gente mata gente. "Cuando los sistemas de
aprendizaje automático fallan, rara vez se debe a problemas con el algoritmo de
aprendizaje automático. Lo más probable es que hayas introducido un error
humano en los datos de entrenamiento, creando sesgos u otro error sistemático.
Sea siempre escéptico y acérquese al aprendizaje automático con la disciplina que
aplica a la ingeniería de software.

El aprendizaje automático puede crear inadvertidamente una profecía auto

cumplida. En muchas aplicaciones de aprendizaje automático, las decisiones que
toma hoy afectan los datos de capacitación que recopilará mañana. Una vez que
su sistema de aprendizaje automático incorpore sesgos en su modelo, puede
seguir generando nuevos datos de capacitación que refuercen esos sesgos. Y
algunos sesgos pueden arruinar la vida de las personas. Se responsable: no crees
profecías auto cumplidas.

AI no se volverá consciente de sí mismo, se levantará y destruirá a la humanidad.

Un sorprendente número de personas (tos) parecen estar obteniendo sus ideas
sobre la inteligencia artificial de las películas de ciencia ficción. Deberíamos estar
inspirados por la ciencia ficción, pero no tan crédulos como para confundirla con la
realidad. Hay suficientes peligros reales y presentes de los que preocuparse,
desde los seres humanos conscientemente malvados hasta los modelos de
aprendizaje automático inconscientes. Entonces puede dejar de preocuparse por
la "supe inteligencia" de SkyNetand.

pág. 21