Академический Документы
Профессиональный Документы
Культура Документы
Machine Learning
El Machine Learning es el diseño y estudio de las herramientas informáticas que utilizan
la experiencia pasada para tomar decisiones futuras; es el estudio de programas que
pueden aprenden de los datos. El objetivo fundamental del Machine Learning es
generalizar, o inducir una regla desconocida a partir de ejemplos donde esa regla es
aplicada. El ejemplo más típico donde podemos ver el uso del Machine Learning es en el
filtrado de los correo basura o spam. Mediante la observación de miles de correos
electrónicos que han sido marcados previamente como basura, los filtros de spam
aprenden a clasificar los mensajes nuevos. El Machine Learning tiene una amplia gama
de aplicaciones, incluyendo 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 del habla y del lenguaje escrito, juegos y robótica.
Pero para poder abordar cada uno de estos temas son crucial en primer lugar distingir los
distintos tipos de problemas de Machine Learning con los que nos podemos encontrar.
Solución general:
Nuestra solución es darle a nuestro sistema inteligente, la capacidad de identificar
posibles errores en la escritura o problemas de orden léxico y ofrecer distintas opciones
con las que podremos reemplazar, por ejemplo, las palabras que presentan esta
complicación, además al darle memoria a nuestro sistema, este con el tiempo podrá
reconocer los errores frecuentes y estará en capacidad de corregirlos por sí mismo,
volviendo el proceso cada vez más eficiente. Esta forma de trabajar los distintos
errores producidos con los datos de entrada, no solo se puede aplicar a datos como
palabras, sino a demás clases de información que nuestra IA no reconozca en primera
instancia.
Ej.: - Un claro ejemplo de cómo puede trabajar la corrección de datos empleada
por una IA es la utilizada en típicos programas de escritura como “Word” y/o
“PowerPoint”:
Si tipeamos en Word, en un documento, una palabra mal escrita como por ejemplo
”atráz” el programa automáticamente lo detectará como error y nos lo marcará con rojo
indicando que algo no está bien con esta palabra. Tras dar un clic derecho sobre esta,
nos marcará las distintas opciones con las que podremos cambiar esta palabra, en este
caso nos sugerirá cambiarla por “atrás” y no solo eso, sino que, si repetidas veces
cometemos este error gramatical y lo corregimos mediante esta función, el programa
llegado un punto, lo empezará a corregir por sí mismo y así se volverá más práctico.
Problema específico:
Una vez comprendido el aspecto macro del problema elegido y expuesto anteriormente,
podremos tomar una pequeña parte de él y utilizarlo como objeto a resolver con nuestro
lenguaje de programación “Python”:
- Deseamos correr un código que nos ayude a verificar si una palabra que
pertenece a nuestro idioma, está escrita de forma correcta o en caso contrario,
saber cuál es la forma correcta de escribirla.
Resolución a través de Python:
Gracias a la infinidad de librerías disponibles en Python, hay infinidad de cosas que
podemos hacer con ellas y para la resolución de esta problemática, haremos uso de una.
La librería que usaremos se llama “Hunspell” la misma que nos permite cargar
diccionarios en distintos idiomas y utilizar comandos como los siguientes:
Para importar el módulo y cargar el idioma español:
Entre otras.
A continuación, dejamos un pequeño código que nos imprimirá en pantalla las distintas
sugerencias a una palabra que ingresemos:
Análisis de resultados:
- Gracias a esta forma de solucionar la no identificación de datos de una IA,
podremos resolver la mayoría de problemas que se presenten por la poca
legibilidad de la información de entrada, a la máquina.
- La solución teóricamente simple facilita la implementación de la misma a una
IA.
- Un problema con ella es que no podrá solucionar el problema en casos extremos
en la que nuestros algoritmos planteados no sean aptos para los datos ingresados.
Conclusiones:
- Este método de resolución es muy práctico para la resolución de problemas de
bajo nivel.
- Se determinó mediante esta resolución que la efectividad con Python en
programación de inteligencia artificial es notoria gracias a las librerías que este
mismo nos permite utilizar además de la simplicidad de su lenguaje.
- Se analizó los objetivos que tiene la inteligencia artificial en sí y la ayuda que
esta misma podría presentar en unos años a la humanidad.
- Es importante la experimentación para tanto el aprendizaje de la IA, como del
programador tras ella.
Referencias
https://www.iberdrola.com/te-interesa/tecnologia/que-es-inteligencia-artificial
https://www.muyinteresante.es/tecnologia/articulo/ventajas-y-riesgos-de-la-
inteligencia-artificial-651449483429
https://prnoticias.com/tecnologia/ciencia-y-tecnologia/20156823-inteligencia-
artificial-problemas#inline-auto1611
https://www.lacapital.com.ar/mas/la-inteligencia-artificial-clave-resolver-
problemas-n1542926.html
https://hackernoon.com/reasons-to-choose-python-for-ai-based-projects-
7e3e6c8b954a
https://recursospython.com/guias-y-manuales/hunspell-corrector-ortografico/
https://medium.freecodecamp.org/what-is-an-api-in-english-please-b880a3214a82
https://es.quora.com/Por-qu%C3%A9-es-Python-m%C3%A1s-preferible-para-la-
inteligencia-artificial-que-Java
https://relopezbriega.github.io/blog/2017/06/05/introduccion-a-la-inteligencia-
artificial/
https://billionbytes.es/redes-neuronales-e-inteligencia-artificial-cuales-son-
sus-diferencias-19531