Hola soy Artemy Kolchinsky. En estos tutoriales vamos a hablar sobre qué es el aprendizaje automático, y ejemplos de problemas de aprendizaje automático y algunas razones del por qué se ha vuelto frecuente en las noticias. Vamos a empezar y hablemos sobre qué es el aprendizaje automático, primero debe tener curiosidad sobre cómo se diferencia de otro término que ha oído, que es la inteligencia artificial. Yo diría que la inteligencia artificial es la ciencia general de crear sistemas automatizados inteligentes, podría ser cosas como jugar al ajedrez, software para controlar robots o procesos industriales y muchos muchos otros ejemplos. El aprendizaje automático es un subconjunto de la inteligencia artificial y está particularmente dirigido al diseño de software que puede aprender automáticamente a realizar tareas inteligentes de los datos que se le proporcionan y desde este punto de vista, en realidad, esta muy estrechamente relacionado con la estadística, porque la estadística también esta enfocada en hacer inferencias de los datos y usarlas para predecir otras cosas. Ahora para tener una especie de esquema de la diferencia entre los dos podríamos considerar dos sistemas de inteligencia artificial diferentes uno de ellos es lo que se llama el sistema de prevención de colisión en tráfico T.C.A.S. basicamente este es un sistema que fue desarrollado hace muchas décadas para ayudar a los aviones a evitar colisiones en el aire entre sí, esencialmente esto es una larga lista de declaraciones si condicionales y condiciones que dicen cuando activar una alarma decirle a un avión que suba y al otro avión que baje así que estas reglas no modificables que fueron diseñados para ayudar a evitar colisiones no son un problema de aprendizaje automático porque es esencialmente un programa no modificable, ahora Lo que yo diría que es un ejemplo de un problema de aprendizaje automático, dados algunos datos, hacer un modelo estadístico de algo como ingresos personales anuales dependiendo de cosas como la edad, genero, del numero de años de estudios, código postal geográfico, etc. y usar estas variables independientes, para hacer una predicción sobre, digamos, cuánto dinero gana una persona en un año, ahora, si a tomado una clase de estadística podría pensar que esto es solo podría ser resuelto con una regresión lineal simple, pero resulta que eso es cierto, esa es una manera de abordar el problema y una regresión lineal simple es un caso simple de aprendizaje automático que está usando datos para construir un modelo que se puede utilizar para hacer predicciones sobre otras cosas si quiere un ejemplo mas cinematográfico de la diferencia entre la inteligencia artificial y el aprendizaje automático puede pensar en la computadora de 2001 una Odisea del espacio, Hal 9000, que parecia que fue programada para llevar a cabo una sola tarea en la misión espacial y un ejemplo clásico de I.A. es compararlo con la computadora del clásico de los ochenta, juegos de guerra qué fue entrenada para aprender a jugar a la guerra termonuclear global y luego podría aprende a jugar cosas como el tres en linea, un ejemplo de una I.A. con aprendizaje automático. Voy a hablar de dos áreas principales del artificio de aprendizaje automático supervisado y el aprendizaje automático no supervisado en el aprendizaje supervisado hay una respuesta correcta a una pregunta y nosotros entrenamos el algoritmo usándolo, mostrándole las respuestas correctas, ejemplos de esto podría ser los siguientes Le doy una imagen y le pido que la clasifique como un gato o un perro, claramente hay respuesta correcta para la mayoría de las imágenes o le doy una grabación de audio y le pido que transcriba lo que dice la grabación, o finalmente podría darte algún tipo de datos históricos del mercado de valores, y pedirle que prediga cual sera el estado del mercado de valores en un tiempo, si alcanzará un cierto nivel. podemos estar en lo cierto o no, en este tutorial principalmente hablaremos de aprendizaje supervisado, sin embargo, usted también debe saber sobre otras areas del aprendizaje automático, llamado no supervisado, aprendizaje no supervisado no hay una respuesta correcta queremos encontrar patrones significativos en los datos esto podría ser algo así como tomar un conjunto de datos muy demandados y representarlo en un bajo espacio de menor dimensionalidad, podría ser algo como tomar un conjunto de datos y agruparlos, así que eso es otro ejemplo que ve en la pantalla donde puede ver que hay un diagrama de dispersión, hay algo de agrupación allí que es la agrupación correcta, podría no haber una agrupación correcta pero todavía podríamos considerar cosas que también incluyen cosas, como anomalías de detección de valores atípicos donde no está claro cual es la respuesta correcta, pero es util tener un tipo de algoritmo encontrar patrones. Además de aprendizaje supervisado y no supervisado hay muchas muchas otras mezclas y variaciones y alternativas de estos, como el aprendizaje por transferencia, aprendizaje semi-supervisado no tengo tiempo para explicar la mayoría de estos, pero debes saber que este es el las áreas de dominio del aprendizaje automático no supervisado son muy grandes, pero el supervisado es probablemente el que más ha tenido éxito recientemente hablaremos más sobre el ¿Como funciona realmente aprendizaje supervisado? Con aprendizaje supervisado se nos da lo que se llama un conjunto de datos de entrenamiento, voy a utilizar como ejemplo fotos y etiquetarlas como perro o gato dependiendo de lo que se muestra en la imagen. Nuestro conjunto de datos entrenamiento consistiría entonces en un monto de imágenes todas etiquetadas como gato o perro, tomamos ese conjunto de datos de entrenamiento hacemos lo que se llama un modelo estadístico o en general, algún tipo de modelo de aprendizaje automatico y un algoritmo de aprendizaje y hablaremos de lo que sucede en este proceso cuando están combinadas, pero cuando se combinaron decimos que entrenamos el modelo y el resultado de este es un modelo entrenado. Este modelo entrenado a aprendido algo sobre la asociación entre las imágenes y la etiqueta de perro o gato, y una vez lo hayamos entrenado podemos mostrarle una imagen que nunca ha visto antes y va a hacer predicción si es un gato o un perro si es así, hemos hecho un buen trabajo entonces la predicción debe correcta, hablaremos sobre eso después, es muy importante recordar que hablamos de un ejemplo clasico como predecir si en la imagen hay perros o gatos, pero hay muchos problemas en el mundo que pueden ser vistos como problemas de aprendizaje supervisado, por ejemplo, aprender a jugar un videojuego es un ejemplo de un problema de aprendizaje supervisado, podemos pensar el problema de aprendizaje supervisado y mapeo del estado actual de la pantalla de mi videojuego y cual debe ser mi siguiente movimiento, debe ser para la izquierda o la derecha, salta o dispara, por ejemplo, una forma en la que dichos modelos son entrenados en un plazo se conoce como aprendizaje reforzado, el aprendizaje reforzado es un tipo de aprendizaje supervisado en el que esencialmente el algoritmo corre muchas veces a través de alguna secuencia de eventos, y al final de esta secuencia recibe una recompensa positiva o negativa, que cambia cómo correrá a través de la secuencia para maximizar la recompensa que recibe, esto va a aparecer mas tarde en el contexto de GO, del que hablaremos en otro tutorial otro ejemplo de aprendizaje supervisado es el problema de la traducción automática, así que yo puedo darle una frase en ingles y podría pedirle al algoritmo que aprenda a traducir esta frase al español Tradicionalmente esta tarea ha sido muy difícil para el aprendizaje supervisado y algoritmos de aprendizaje automático, pero como diremos más adelante, en realidad, a habido una gran avance en estos recientemente, algo que podría escuchar en el contexto de la traducción por máquina, y similares, es que el aprendizaje de secuencias solo significa que esta mapeando de o hacia una larga secuencia de algo así como, por ejemplo, una larga secuencia de palabras, como en el lenguaje y también oirás los términos redes neuronales recurrentes y cosas como redes de memoria a corto plazo LST M en conjunción con secuencia de aprendizaje estos son los temas actuales de redes neuronales, la razón por la que recientemente han habido muchos avances en la traducción de idiomas, como último ejemplo del que hablaré sobre un sistema de recomendaciones así que podríamos tomar el conjunto de canciones que ha escuchado en alguna aplicación y sugerirle una nueva canción que pensamos le va a gustar basados en las canciones que ha escuchado, probablemente todos están familiarizados con estos ejemplos, que en realidad pueden funcionar sorprendentemente bien recomendando cosas que realmente puedan gustarte, ese es otro ejemplo de un problema de aprendizaje supervisado Así que una de las últimas cosas que quiero que hagas y que recuerde de este tutorial es que hay muchos muchos algoritmos que pueden hacer aprendizaje supervisado, en la pantalla puede ver un pequeño subconjunto de estos de los últimos tiempos, Es posible que hayas escuchado mucho sobre redes neuronales o sobre aprendizaje profundo que son en realidad un ejemplo de redes neuronales, debes recordar que las redes neuronales son solo un ejemplo de un algoritmo de aprendizaje automatico que hay entre muchos otros algoritmos, de los cuales cada algoritmo tiene pros y contras, también hablaremos más tarde sobre algunas de las razones por las que recientemente son tan frecuentes. En el proximo tutorial voy a hablar sobre una forma espacial o geométrica de entender cómo el aprendizaje automático realmente hace lo que hace