Introducción A La IA y DeepLearning

DEEP LEARNING
Autor: Mg.Luis Fabricio Núñez Gómez
Autor: Mg. Luis Fabricio Núñez Gómez 1

Contenido
■ Introducción
■ Transición de IA
■ IA un auge en el pasado
■ Machine Learning evoluciona
■ Que aun Machine Learning no puede hacer
■ Cosas que dividen a una máquina y un ser humano
■ IA y Deep Learning

Introducción
■ La Inteligencia Artificial (IA) es una palabra que se puede empezar a ver más a
menudo estos días.
■ La IA se ha vuelto un tema candente no solo en la sociedad académica, sino
también en el campo de los negocios.

Introducción
■ La compañía japonesa IT/mobile llevo a la compañía Softbank a lanzar un

robot llamado Pepper en Junio del 2014. Pepper entiende los sentimientos
humanos.

Introducción
■ ¿Por qué la IA se ha convertido repentinamente en un área fuertemente

investigada?

Transición de IA
■ ¿Por qué Deep Learning está en el centro de atención?

■ ¿La IA existe realmente en la actualidad ?
■ Los anuncios de productos o servicios que utilizan la palabra IA ¿Son en
realidad fraudulentos?

Transición de IA
Hay tres diferentes categorías reconocidas como IA:

1. Procesamiento de alta velocidad de robots industriales que solo procesan el
mismo conjunto de trabajo.

Transición de IA
2. Adivinar respuestas a una asignación dada siguiendo reglas establecidas por

un ser humano, por ejemplo el iRobot Roomba.

Transición de IA
3. Proporcionar una respuesta a datos desconocidos mediante la búsqueda de

regularidad medible en datos existentes. Por ejemplo, un sistema de
recomendación de productos basado en el historial de compras de un usuario o
distribuyendo banners entre las redes de anuncios.

Transición de IA
■ La nueva tecnología que utiliza Deep Learning también se llama IA.

¿Qué deberíamos llamar específicamente IA?
Desafortunadamente, las personas tienen diferentes opiniones sobre este tema y la
respuesta no puede ser objetivamente explicada.
Académicamente, se ha fijado los términos IA fuerte o IA débil dependiendo del
nivel que una máquina puede alcanzar.
El campo de la IA se está desarrollando drásticamente y la posibilidad de que la IA
se convierta en realidad es exponencialmente más alta cuando es conducida por
Deep Learning.

IA un auge en el pasado
■ La inteligencia artificial ha sido durante décadas un tema candente, que ha

tenido diferentes ciclos de actividad como de inactividad, Deep Learning es el
tercer auge de estos últimos años.
■ En este tercer auge en la IA se diferencia significativamente con las otros dos
auges pasados. Deep Learning ha logrado cosas que técnicas pasadas en IA
no lo han logrado.

■ Con Deep Learning una máquina en sí es capaz de averiguar la cantidad de

características de los datos dados, y aprender.
■ No parece una gran diferencia, pero hay un mundo de diferencias. Ha habido
un largo camino tomado antes de llegar a la etapa en que una máquina puede
medir la cantidad de características por sí mismo.

IA un auge en el pasado-Primer auge
■ El primer auge de la IA llegó a finales de los años cincuenta.

■ Programas de búsqueda basadas en reglas fijas
■ En las búsquedas, si queríamos que una máquina realizara cualquier proceso,
tuvimos que escribir todos los patrones posibles que pudiéramos necesitar para
el proceso.
■ Demandaba "tiempo". Por lo tanto, se realizaron más estudios sobre cómo
hacer la búsqueda más eficiente. Los métodos de búsqueda más populares
entre los estudios fueron búsqueda en profundidad (Depth-first search)(DFS) y
búsqueda en amplitud (Breadth-first search)(BFS).

■ De cada posible patrón que se pueda imaginar, buscar el camino más eficiente
y hacer la mejor elección posible entre ellos dentro de un marco de tiempo
realista. Al hacer esto, usted debe obtener la mejor respuesta cada vez.

■ Estos algoritmos de búsqueda pueden lograr ciertos resultados en un campo

específico, especialmente en campos como Ajedrez y Shogi.

Veamos cómo una máquina juega al ajedrez con más detalle. Digamos que una
máquina hace el primer movimiento como "blanco", y hay 20 movimientos posibles
para ambos "blanco" y "negro" para el siguiente movimiento. Desde la parte
superior del árbol al comienzo del juego, hay 20 ramas debajo de la siguiente
jugada posible. Bajo una de estas 20 ramas, hay otras 20 ramas debajo como el
próximo movimiento posible del negro, y así sucesivamente. En este caso, el árbol
tiene 20 x 20 = 400 ramas para el negro, dependiendo de cómo se mueve el
blanco, 400 x 20 = 8.000 ramas para el blanco, 8.000 x 20 = 160.000 ramas de
nuevo para el negro.

■ Una máquina genera este árbol y evalúa cada posición posible de la tabla de
estas ramas, decidiendo la mejor disposición en un segundo.
■ El movimiento de cada pieza también debe ser considerado e incorporado en
un programa, por lo que el programa de ajedrez no es tan simple como se
pensaba anteriormente.

■ Una máquina es buena en procesar cosas a alta velocidad basándose en un

conjunto dado de reglas, pero no puede averiguar cómo actuar y qué reglas
aplicar por sí mismo cuando sólo se da una tarea.
■ Los seres humanos inconscientemente evaluamos, descartamos muchas cosas
que no están relacionados con nosotros, y hacemos una elección de millones
de cosas (patrones) en el mundo real cada vez que actuamos.

Una máquina no puede tomar estas decisiones inconscientes como los humanos.
Si creamos una máquina que pueda considerar apropiadamente un fenómeno que
ocurre en el mundo real, podemos asumir dos posibilidades:
1. Una máquina intenta llevar a cabo su tarea o propósito sin tener en cuenta
incidentes secundarios y posibilidades
2. Una máquina intenta llevar a cabo su tarea o propósito sin tener en cuenta
incidentes irrelevantes y posibilidades

■ Ambas máquinas se congelarían y se perderían en el procesamiento antes de

que cumplieran su propósito.
■ Esto se debe a que estos elementos son casi infinitos y una máquina no puede
clasificarlos dentro de un tiempo realista si intenta pensar / buscar estos
patrones infinitos. Este problema es reconocido como uno de los desafíos
importantes en el campo de IA, y se llama el problema de marco.

■ No se puede escribir una gran cantidad de patrones, por lo que no se puede

definir cuál es la mejor solución.
■ Después de todo, la investigación en ese momento sólo haría que una máquina
siguiera las reglas detalladas establecidas por un ser humano. Como tal,
aunque este método de búsqueda podría tener éxito en un área específica, está
lejos de lograr la IA real. Por lo tanto, el primer auge de IA se enfrió rápidamente
con decepción.

IA un auge en el pasado-Segundo
Auge
■ El segundo auge de la IA llegó en los años ochenta. Esta vez, el movimiento de
la llamada Representación del Conocimiento (KR) estaba en auge. KR
pretendía describir el conocimiento que una máquina podía entender
fácilmente.
■ Si todo el conocimiento del mundo estuviera integrado en una máquina y una
máquina pudiera entender este conocimiento, debería ser capaz de
proporcionar la respuesta correcta incluso si se le da una tarea compleja.

Auge
■ Por ejemplo, los formularios estructurados en una página web -la web
semántica- son un ejemplo de un enfoque que intentó diseñar para que una
máquina entienda la información más fácilmente.

Auge
■ Uno de los ejemplos simples de cómo se aplica esto al mundo real es el análisis
positivo-negativo, uno de los temas del análisis del sentimiento. Si introduce
datos que definen un tono de positivo o negativo para cada palabra de una
frase (llamada "diccionario") en una máquina de antemano, una máquina puede
comparar la oración y el diccionario para averiguar si la oración es positiva o
negativa.

Auge
■ Al integrar el conocimiento en una máquina, una máquina se convierte en el
todopoderoso.
■ Esta idea en sí misma no es mala para lograr la IA; Sin embargo, había dos
altos muros delante de nosotros en lograrlo.
■ Primero, introducir todo el conocimiento del mundo real requiere una cantidad
casi infinita. En realidad, este trabajo de base de datos de todos los datos del
mundo ha continuado y se conoce como Cyc (http://www.cyc.com/).

Auge

■ En segundo lugar, una máquina no comprende el significado real del

conocimiento. Incluso si el conocimiento está estructurado y sistematizado, una
máquina lo entiende como una marca y nunca entiende el concepto. Esto se
conoce como el problema de la conexión con el símbolo y se considera uno de
los mayores problemas en el campo IA, así como el problema de la trama.

Machine Learning evoluciona
■ El aprendizaje automático es una herramienta fuerte en comparación con los

enfoques anteriores de la IA, que simplemente buscaban o asumían basándose
en el conocimiento dado por un ser humano, de modo que el aprendizaje
automático es muy avanzado.
■ En el aprendizaje automático, una máquina está literalmente aprendiendo. Una
máquina puede hacer frente a preguntas desconocidas basadas en el
conocimiento que ha aprendido. El aprendizaje automático es un método de
reconocimiento de patrones.


■ En el aprendizaje automático, utilizando la capacidad de calcular y la capacidad

de procesar a alta velocidad como un arma, una máquina utiliza una cantidad
sustancial de datos de entrenamiento, reemplaza preguntas complejas con
preguntas sí / no, y descubre la regularidad con la cual los datos son sí, y qué
datos son no (en otras palabras, aprende).

■ Aprendizaje de la máquina es un método que puede procesar este

reconocimiento de patrones no por los seres humanos sino por una máquina de
una manera mecánica.
■ Aprender, en otras palabras, es ajustar los parámetros de un modelo y, una vez
que el aprendizaje se hace, la construcción de un modelo con un parámetro
ajustado. La máquina entonces clasifica los datos desconocidos en el patrón
más posible (es decir, el patrón que se ajusta mejor).
■ La clasificación matemática de los datos tiene gran mérito. Aunque es casi
imposible para un humano procesar datos multidimensionales o datos de
múltiples patrones, el aprendizaje automático puede procesar la categorización
con casi las mismas fórmulas numéricas.

Aprendizaje automático se utiliza en diversas partes del mundo de los negocios:

■ Procesamiento de Lenguaje Natural.
■ Reconocimiento de imágenes.
■ Reconocimiento de voz.
■ Búsqueda de imágenes y búsqueda por voz.

Que aun Machine Learning no puede
hacer
■ Una máquina aprende recopilando datos y prediciendo una respuesta. De
hecho, el aprendizaje automático es muy útil, ya que las preguntas que son
difíciles de resolver para un ser humano en un marco de tiempo realista (como
el uso de un hiperplano 100 dimensiones para la categorización) Son fáciles
para una máquina.
■ Desafortunadamente, sin embargo, incluso el aprendizaje automático no puede
hacer la IA.
■ El aprendizaje automático es la técnica de clasificación y predicción de patrones
basada en datos de entrada. Si es así, ¿Qué es exactamente esa
información de entrada? ¿Puede utilizar cualquier dato?

hacer
¿Cuál es un ser humano?

hacer
El aprendizaje automático no puede hacer ingeniería de características.
Potencialmente, existen dos tipos de limitaciones con el aprendizaje automático:
1. Un algoritmo sólo puede funcionar bien en datos con la suposición de los datos
de formación.
2. Incluso el modelo bien entrenado carece de la capacidad de hacer una meta-
decisión inteligente.

hacer
■ Aprendizaje automático tiene varios métodos, pero el problema de ser incapaz
de hacer la ingeniería de características se ve en todos estos. Varios métodos
se han desarrollado y la gente compite contra sus tasas de precisión, pero
después de haber alcanzado la precisión en cierta medida, la gente decide si un
método de aprendizaje automático es bueno o malo basado en la gran
característica que pueden encontrar

Cosas que dividen a una máquina y
un ser humano
■ Hemos pasado por tres problemas: el problema de la trama, el problema de la
conexión con el símbolo y la ingeniería de características.
1. El frame problem, es cuando una maquina no puede reconocer que conocimiento
utilizar.
2. El problema symbol grounding es que una máquina no puede entender un
concepto que pone el conocimiento en común porque sólo reconoce el
conocimiento como una marca.
3. El problema feature engineering en el aprendizaje automático es que una máquina
no puede averiguar qué es la característica para los objetos.
■ Estos problemas sólo pueden resolverse si una máquina puede determinar qué
característica de las cosas / fenómenos debe centrarse y qué información debe
utilizar.

Cosas que dividen a una máquina y
un ser humano
¿Qué pasaría si una máquina pudiera encontrar la característica notable de
los datos dados?
■ En cuanto al frame problem, si una máquina pudiera extraer la característica
notable de los datos dados y realizar la representación del conocimiento, no
tendría el problema de congelarse cuando pensaba en cómo recoger el
conocimiento necesario. En términos del problema symbol grounding , si una
máquina pudiera encontrar la característica por sí misma y entender el
concepto a partir de la característica, podría entender el símbolo introducido.

IA y Deep learning
■ Machine Learning, es muy útil y potente como un método de minería de datos;

Sin embargo, incluso con este enfoque parecía que el camino hacia el logro de
la IA estaba cerrado.
■ Encontrar las características es un papel del ser humano, y aquí hay una gran
pared que impide que el aprendizaje de la máquina alcance IA.
■ Con el advenimiento del aprendizaje profundo, por lo menos en los campos del
reconocimiento de imágenes y del reconocimiento de la voz, una máquina
consiguió “decidir un valor como característica" de los datos introducidos por sí
mismo, algo que solo los seres humanos podemos decidir.

IA y Deep learning
■ La primera vez que apareció el aprendizaje profundo fue hace bastante tiempo,
en 2006. El profesor Hinton de la Universidad de Toronto en Canadá, y otros,
publicaron un artículo. En este trabajo, se presentó un método llamado redes de
creencias profundas (DBN), que es una expansión de redes neuronales, un
método de aprendizaje automático. DBN se probó utilizando la base de datos
MNIST, la base de datos estándar para comparar la precisión de cada método
de reconocimiento de imágenes.

IA y Deep learning
■ En 2012, todo el mundo de la investigación de IA se sorprendió por un método

en la competencia mundial por el reconocimiento de imágenes. El Desafío de
Reconocimiento Visual de Escala Grande de Imagenet (ILSVRC), un método de
aprendizaje profundo llamado SuperVision, desarrollado por el Profesor Hinton
y otros de la Universidad de Toronto.
Rank Team name Error
1 SuperVision 0.15315
2 SuperVision 0.16422
3 ISI 0.26172
4 ISI 0.26602
5 ISI 0.26646
6 ISI 0.26952
7 OXFORD_VGG 0.26979
8 XRCE/INRIA 0.27058

IA y Deep learning
■ Hay otro gran evento que difunde el aprendizaje profundo en todo el mundo.
Ese evento ocurrió en 2012, cuando Google anunció que una máquina podría
detectar automáticamente un gato usando videos de YouTube como datos de
aprendizaje del algoritmo de aprendizaje profundo que Google propuso.
■ Este algoritmo extrajo 10 millones de imágenes de los vídeos de YouTube y las
usó como datos de entrada.

IA y Deep learning
■ Tras el desarrollo del método que puede reconocer a un gato, Google llevó a
cabo otro experimento para una máquina para dibujar un cuadro utilizando el
aprendizaje profundo. Este método se llama Inceptionism.

IA y Deep learning
¿Qué función especial aumentó dramáticamente esta precisión?

Sorprendentemente, en realidad, no hay mucha diferencia para el aprendizaje profundo
en algoritmos, el aprendizaje profundo es una aplicación de redes neuronales, que es
un algoritmo de aprendizaje automático que imita la estructura de un cerebro humano;
Sin embargo, un dispositivo lo adoptó y lo cambió todo. Los terminos representantes
son pretraining y dropout (con una función de activación).
¿Qué indica lo profundo del profundo aprendizaje?
Cuando el algoritmo de la red neural apareció por primera vez, su estructura era
bastante simple. Era una estructura simplificada del cerebro humano y la red sólo tenía
unas pocas capas. Por lo tanto, los patrones que podía reconocer eran
extremadamente limitados.

IA y Deep learning
¿Podemos acumular redes como el cerebro humano y hacer su aplicación

compleja?
Por supuesto, aunque este enfoque ya había sido probado. Por desgracia, como
resultado, la precisión era en realidad menor que si acabáramos de apilar las
redes. De hecho, nos enfrentamos a varios problemas que no ocurrieron con una
red simple. ¿Por qué fue esto? Bueno, en un cerebro humano, una señal se
ejecuta en una parte diferente del circuito dependiendo de lo que ves. Sobre la
base de los patrones que difieren en función de qué parte del circuito se estimula,
se pueden distinguir varias cosas.

IA y Deep learning
■ El aprendizaje profundo logró hacer una red de múltiples capas, es decir, hacer
una red "profunda", la clave del éxito fue hacer que cada capa pueda aprender
en etapas. El algoritmo anterior trató a toda la red de múltiples capas como una
gigantesca red neuronal y lo hizo aprender como uno, lo que causó los
problemas mencionados anteriormente.
■ Por lo tanto, el aprendizaje profundo tomó el enfoque de hacer que cada capa
aprenda con antelación. Esto se conoce literalmente como pre-entrenamiento.
En el pre-entrenamiento, el aprendizaje comienza en la capa inferior en orden.

IA y Deep learning
■ A continuación, los datos que se aprenden en la capa inferior se tratan como

datos de entrada para la siguiente capa. De esta manera, las máquinas son
capaces de dar un paso al aprender una característica de una capa baja en la
capa de bajo grado y aprender gradualmente una característica de un grado
más alto.
■ Por ejemplo, al aprender lo que es un gato, la primera capa es un contorno, la
siguiente capa es la forma de sus ojos y la nariz, la siguiente capa es una
imagen de una cara, las capas siguientes es el detalle de una cara, y pronto.

IA y Deep learning
■ Si la red se volvió demasiado densa. El método que impide este problema de

densidad se llama el abandono. Las redes con el abandono aprenden cortando
algunos enlaces al azar dentro de las unidades de redes. El abandono físico
hace que la red sea escasa. El enlace que se corta es aleatorio, por lo que se
forma una red diferente en cada paso de aprendizaje. Al integrar la caída en el
algoritmo, el ajuste del peso de la red se hizo bien.

IA y Deep learning
■ El aprendizaje profundo ha tenido gran éxito en diversos campos; Sin embargo,

por supuesto, el aprendizaje profundo también tiene un demérito. Como se
muestra en el nombre de "aprendizaje profundo", el aprendizaje en este método
es muy profundo. Esto significa que los pasos para completar el aprendizaje
tardan mucho tiempo.
■ La cantidad de cálculo en este proceso tiende a ser enorme. De hecho, el
aprendizaje mencionado anteriormente del reconocimiento de un gato por
Google tomó tres días para ser procesado con 1.000 ordenadores.

IA y Deep learning
■ El aprendizaje profundo es sólo el primer paso para que una máquina obtenga
conocimiento humano. Nadie sabe qué tipo de innovación va a pasar en el futuro.
Sin embargo, podemos predecir hasta qué punto el rendimiento de una
computadora será mejorado en el futuro.
■ Para predecir esto, la ley de Moore es usada. El rendimiento de un circuito
integrado que soporta el progreso de un ordenador está indicado por el número de
transistores cargado. La ley de Moore muestra el número, y se dice que el número
de transistores duplica cada año y medio.
■ Basado en la ley de Moore, más adelante en el futuro en 2045, se dice que
llegaremos a un punto crítico llamado Singularidad Técnica donde los humanos
podrán hacer predicciones tecnológicas. En ese momento, se espera que una
máquina sea capaz de producir inteligencia auto-recursiva.

IA y Deep learning

IA y Deep learning
■ El número de transistores cargados en el procesador inventado por Intel ha aumentado

suavemente siguiendo la ley de Moore.
■ El famoso profesor Stephen Hawking respondió en una entrevista de la BBC

(http://www.bbc.com/news/technology-30290540):
■ "El desarrollo de la plena inteligencia artificial podría significar el fin de la raza humana".
■ ¿El aprendizaje profundo se convertirá en una magia negra? De hecho, el progreso de la

tecnología a veces ha causado tragedia.

Resumen
■ Se aprendió cómo las técnicas en el campo de la IA han evolucionado hacia un

aprendizaje profundo. Ahora sabemos que hubo dos auges en AI y que ahora
estamos en el tercer auge.
■ El tercer auge se extendió con algoritmos de aprendizaje automático al principio
con los de reconocimiento y clasificación de patrones basados en modelos
estadísticos probabilísticos.
■ La técnica requerida para el aprendizaje de la máquina se llama ingeniería de
características. Luego, surgió un aprendizaje profundo, basado en un algoritmo de
aprendizaje automático, es decir, redes neuronales.
■ A menudo se cree que el aprendizaje profundo es muy complicado, pero la verdad
es que no lo es. Como se mencionó, el aprendizaje profundo es la técnica en
evolución del aprendizaje automático, y el aprendizaje profundo en sí mismo es
muy simple pero elegante.

Introducción A La IA y DeepLearning

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Introducción A La IA y DeepLearning

Загружено:

Авторское право:

Доступные форматы

DEEP LEARNING

Autor: Mg.Luis Fabricio Núñez Gómez

Autor: Mg. Luis Fabricio Núñez Gómez 1

Autor: Mg. Luis Fabricio Núñez Gómez 2

Autor: Mg. Luis Fabricio Núñez Gómez 3

■ La compañía japonesa IT/mobile llevo a la compañía Softbank a lanzar un

Autor: Mg. Luis Fabricio Núñez Gómez 4

■ ¿Por qué la IA se ha convertido repentinamente en un área fuertemente

Autor: Mg. Luis Fabricio Núñez Gómez 5

■ ¿Por qué Deep Learning está en el centro de atención?

Autor: Mg. Luis Fabricio Núñez Gómez 6

Hay tres diferentes categorías reconocidas como IA:

Autor: Mg. Luis Fabricio Núñez Gómez 7

2. Adivinar respuestas a una asignación dada siguiendo reglas establecidas por

Autor: Mg. Luis Fabricio Núñez Gómez 8

3. Proporcionar una respuesta a datos desconocidos mediante la búsqueda de

Autor: Mg. Luis Fabricio Núñez Gómez 9

■ La nueva tecnología que utiliza Deep Learning también se llama IA.

Autor: Mg. Luis Fabricio Núñez Gómez 10

■ La inteligencia artificial ha sido durante décadas un tema candente, que ha

Autor: Mg. Luis Fabricio Núñez Gómez 11

■ Con Deep Learning una máquina en sí es capaz de averiguar la cantidad de

Autor: Mg. Luis Fabricio Núñez Gómez 12

■ El primer auge de la IA llegó a finales de los años cincuenta.

Autor: Mg. Luis Fabricio Núñez Gómez 13

Autor: Mg. Luis Fabricio Núñez Gómez 14

■ Estos algoritmos de búsqueda pueden lograr ciertos resultados en un campo

Autor: Mg. Luis Fabricio Núñez Gómez 15

Autor: Mg. Luis Fabricio Núñez Gómez 16

Autor: Mg. Luis Fabricio Núñez Gómez 17

■ Una máquina es buena en procesar cosas a alta velocidad basándose en un

Autor: Mg. Luis Fabricio Núñez Gómez 18

Autor: Mg. Luis Fabricio Núñez Gómez 19

■ Ambas máquinas se congelarían y se perderían en el procesamiento antes de

Autor: Mg. Luis Fabricio Núñez Gómez 20

■ No se puede escribir una gran cantidad de patrones, por lo que no se puede

Autor: Mg. Luis Fabricio Núñez Gómez 21

Autor: Mg. Luis Fabricio Núñez Gómez 22

Autor: Mg. Luis Fabricio Núñez Gómez 23

Autor: Mg. Luis Fabricio Núñez Gómez 24

Autor: Mg. Luis Fabricio Núñez Gómez 25

Autor: Mg. Luis Fabricio Núñez Gómez 26

■ En segundo lugar, una máquina no comprende el significado real del

Autor: Mg. Luis Fabricio Núñez Gómez 27

■ El aprendizaje automático es una herramienta fuerte en comparación con los

Autor: Mg. Luis Fabricio Núñez Gómez 28

Autor: Mg. Luis Fabricio Núñez Gómez 29

■ En el aprendizaje automático, utilizando la capacidad de calcular y la capacidad

Autor: Mg. Luis Fabricio Núñez Gómez 30

■ Aprendizaje de la máquina es un método que puede procesar este

Autor: Mg. Luis Fabricio Núñez Gómez 31

Aprendizaje automático se utiliza en diversas partes del mundo de los negocios:

Autor: Mg. Luis Fabricio Núñez Gómez 32

Autor: Mg. Luis Fabricio Núñez Gómez 33

Autor: Mg. Luis Fabricio Núñez Gómez 34

Autor: Mg. Luis Fabricio Núñez Gómez 35

Autor: Mg. Luis Fabricio Núñez Gómez 36

Autor: Mg. Luis Fabricio Núñez Gómez 37

Autor: Mg. Luis Fabricio Núñez Gómez 38

■ Machine Learning, es muy útil y potente como un método de minería de datos;

Autor: Mg. Luis Fabricio Núñez Gómez 39

Autor: Mg. Luis Fabricio Núñez Gómez 40

■ En 2012, todo el mundo de la investigación de IA se sorprendió por un método