Amenza al Rio Tribique

Problemática ambiental

Nombre:Sanchez Enrique, Amilkar Romero, Oscar Pineda.

Fecha: 13 de junio 2019

Profesora: Ing. Gabriela Velarde

Que es – Investigacion
Aldair Poma Pinto Ing. en Redes y Telecomunicaciónes.

Universidad Domingo Savio

oruro,bolivia

Resumen—El deep learning Y Machine learning es
un nuevo tipo de tecnología que está de moda en este
tiempo
Deep learning o aprendizaje profundo.
es un conjunto de algoritmos de clase aprendizaje
automático
Ya existen compañías que se centran completamente
en enfoques de aprendizaje automático no
supervisado, como Loop AI Labs, cuya plataforma
cognitiva es capaz de procesar millones de
documentos no estructurados y construir de forma
autónoma representaciones estructuradas.
Machine learning o aprendizaje Automático.Es la
rama del aprendizaje artificial que estudia, cómo
dotar a las máquinas de capacidad de aprendizaje, a
partir de un conjunto de experiencias
Palabras Claves
1. Algoritmos:Conjunto ordenado de
operaciones sistemáticas que permite hacer
un cálculo y hallar la solución de un tipo de
problemas.
2. Automático:Que funciona por sí solo o que
realiza total o parcialmente un proceso sin
ayuda humana.
3. Autónoma:Que trabaja por cuenta propia.
4. Tecnología:es un conjunto de nociones y
conocimientos utilizados para lograr un
objetivo preciso, que dé lugar a la solución
de un problema específico del individuo o a
la satisfacción de alguna de sus necesidades.
I. OBJETIVO
El objetivo del presente artículo es hacer conocer al
lector este tipo de tecnología que se va innovando
en estos tiempos
 II. MARCO TEÓRICO
Machine learning o aprendizaje automático
En realidad el nombre de la tecnología resulta
bastante preciso. Aprender automáticamente es la
característica principal que diferencia a estos
sistemas de otros menos avanzados. Aquí se le
proporciona a un algoritmo un conjunto de reglas
para que las aplique cuando se encuentre con los
datos pertinentes. Pero el software tiene la
capacidad de adaptar dichas reglas y crear otras
nuevas para mejorar su tasa de acierto.
A un sistema que busque identificar perros, por
ejemplo, se le puede pedir que examine ciertos
patrones : si es un cuadrúpedo, si tiene pelo, si
tiene morro, dos ojos y orejas. Toda una serie de
requisitos que normalmente cumplen los perros. A
partir de ahí se entrena al algoritmo. Se le
introduce una gran cantidad de imágenes de perros
y otros animales, indicando en cada caso si es o no
un cánido. Con esto se logra que el software
invente nuevas reglas para sí mismo, con el fin de
facilitar el descubrimiento de perros en fotografías
desconocidas.
Deep learning o aprendizaje profundo
La diferencia entre machine learning y deep
learning es que la segunda técnica leva el
aprendizaje a un nivel más detallado. El sistema
en este caso v a por capas o unidades neuronales.
De hecho el funcionamiento de estos algoritmos
trata de imitar el del cerebro.
En deep learning cada capa procesa la
información y arroja un resultado que se revela en
forma de ponderación. Es decir, cuando una
unidad de un sistema analice una foto en busca de
perros concluirá que dicha imagen es en un 78%
de probabilidad un perro y en un 22% no lo es.
machine learning y deep learning
La segunda capa que analice la imagen combinará
el resultado obtenido por la primera capa con su
propio juicio. De tal forma que la ponderación se
modificará y se trasladará a la tercera capa , que
también usará este dato para sacar su propia
conclusión. Así sucesivamente y en muchas
ocasiones (hay algoritmos que usan más de 100
capas).
Lo que hace este sistema es reducir el margen de
error y, por tanto, aumentar la precisión de las
conclusiones. ¿Cómo se entrena? Introduciendo
una cantidad exorbitante de información, para que
sus ponderaciones se vayan puliendo ellas solas.
Así, no importará que al software se le presente
una foto con niebla y un perro cojo. Ya tiene claro
lo que es un perro y lo que no.
III. METODOLOGÍA
Describir las acciones a realizar para cumplir con
el objetivo u objetivos, indicar qué se piensa
realizar, cómo se va a realizar y requerimientos
para lograrlo.
IV. MATERIALES
● Material 1
● Material 2
● Material 3
V. DESARROLLO
Documentar los pasos realizados (ilustraciones,
diagramas, comandos, códigos) durante el
desarrollo de la práctica. Describir brevemente las
teorías o procedimientos requeridos. No olvide
incluir las referencias bibliográficas, numerar y
anexar descripción a tablas y figuras.
VI. RESULTADOS
 Será necesario cuando se tengan que realizar
cálculos matemáticos o simulaciones para
demostrar los resultados prácticos.
VII. DISCUCIÓN
En esta sección deberían incluirse la discusión y
evaluación de los resultados obtenidos y si es
posible la relación que tiene con algún estudio. Los
resultados encontrados en el experimento son
interpretados en esta sección. Se debe de expresar
las justificaciones científicas de los resultados que
se obtuvieron en la sección anterior. Recuerda
hacer una distinción entre los datos obtenidos y la
opinión que se tenía de los posibles resultados.
Realiza una crítica constructiva de tus datos, y
describe que es lo que has aprendido al realizar el
experimento.
VIII. CONCLUSIONES
por los resultados obtenidos, evitando comentarios
especulativos.
IX. BIBLIOGRAFÍA
Todas las prácticas deberán contener las
referencias de dónde se obtuvo la información.
Utilizar el formato IEEE o APA, NO utilizar ligas
de internet como referencia directa.
X. APENDICE
Los apéndices por lo general son usados para
incluir información como una especie de nota para
el lector, estos apéndices pueden incluir tablas,
imágenes, codigos, u otro tipo de información que
es relevante para el lector.

Resume los puntos más significativos obtenidos.

Todo comentario incluido debe estar respaldado