Ministerio de Educación

Instituto de Marina Mercante Ocupacional de Panamá – Coclé

Examen Trimestral de Informática

Estudiantes: Boris Hernández, Samir Marciaga

Profesor: Félix Sandoya

Tema: Aprendizaje Automatice de Inteligencia Artificial o “Machine learning”

Asignatura: Informática

Grado: 12°

Año lectivo: 2023

1. Introducción

2. Contenido

2.1 Aprendizaje automático de inteligencias artificiales

2.2 Tipos de aprendizaje automáticos

2.3 Tipos de algoritmos que se utilizan para el aprendizaje

2.4 Deep learning

2.5 Desafíos y consideraciones éticas

3. Conclusión

4. Bibliografía
 Introducción

El aprendizaje automático (machine learning) Es una rama de la inteligencia artificial que ha

experimentado un rápido crecimiento y desarrollo en los últimos años. Se enfoca en el

desarrollo de algoritmos y técnicas que permiten a las computadoras aprender y mejorar su

rendimiento a través de la experiencia adquirida a partir de datos. El objetivo principal del

aprendizaje automático es que las máquinas sean capaces de realizar tareas específicas sin

ser programadas explícitamente.

El aprendizaje automático tiene aplicaciones en una amplia gama de campos, como la

medicina, la economía, la seguridad, la predicción del clima, la conducción autónoma, la

detección de fraudes, la recomendación de productos y muchas otras áreas. También plantea

desafíos éticos, como el sesgo algorítmico y la privacidad de los datos, que deben ser

considerados y abordados adecuadamente.

El aprendizaje automático, también conocido como “machine learning” en inglés, es una

rama de la inteligencia artificial que se enfoca en el desarrollo de algoritmos y modelos que

permiten a las máquinas aprender y mejorar su rendimiento a través de la experiencia

adquirida a partir de datos. A diferencia de los enfoques tradicionales de programación, en el

aprendizaje automático, las máquinas son capaces de aprender patrones y tomar decisiones

sin ser programadas explícitamente.

Un modelo de machine learning es la salida de información que se genera cuando entrena su

algoritmo de machine learning con datos. Después del entrenamiento, al proporcionar un

modelo con una entrada, se le dará una salida. Por ejemplo, un algoritmo predictivo creará

un modelo predictivo. A continuación, cuando proporcione el modelo predictivo con datos,

recibirá un pronóstico basado en los datos que entrenaron al modelo.

 Aprendizaje supervisado:

En este tipo de aprendizaje, se proporciona a la máquina un conjunto de ejemplos de entrada

junto con sus correspondientes salidas esperadas. La máquina aprende a través de la

comparación entre las salidas esperadas y las salidas que genera, ajustando sus parámetros

internos para minimizar la diferencia.

 Aprendizaje no supervisado:

En este tipo de aprendizaje, la máquina se enfrenta a un conjunto de datos sin etiquetas o

categorías predefinidas. El objetivo es descubrir patrones, estructuras o agrupamientos

inherentemente presentes en los datos sin una guía explícita.

 Aprendizaje por esfuerzo:

En este tipo de aprendizaje, la máquina aprende a través de la interacción con un entorno. La

máquina toma acciones y recibe retroalimentación en forma de recompensas o

penalizaciones, lo que le permite aprender a través de la maximización de las recompensas

esperadas.
 Tipos de algoritmos que se utilizan para el aprendizaje

 Redes neuronales artificiales:

Son un modelo computacional evolucionado a partir de diversas aportaciones científicas

que están registradas en la historia. Consiste en un conjunto de unidades, llamadas

neuronas artificiales, conectadas entre sí para transmitirse señales. La información de

entrada atraviesa la red neuronal (donde se somete a diversas operaciones) produciendo

unos valores de salida.

Cada neurona está conectada con otras a través de unos enlaces. En estos enlaces el valor

de salida de la neurona anterior es multiplicado por un valor de peso. Estos pesos en los

enlaces pueden incrementar o inhibir el estado de activación de las neuronas adyacentes.

Del mismo modo, a la salida de la neurona, puede existir una función limitadora o umbral,

que modifica el valor resultado o impone un límite que no se debe sobrepasar antes de

propagarse a otra neurona. Esta función se conoce como función de activación.

Las Máquinas de Vectores de Soporte (Support Vector Machines) permiten encontrar la

forma óptima de clasificar entre varias clases. La clasificación óptima se realiza

maximizando el margen de separación entre las clases. Los vectores que definen el borde

de esta separación son los vectores de soporte.

Se llama «máquina» en español por la parte de «machine» learning. Los vectores de

soporte son los puntos que definen el margen máximo de separación del hiperplano que

separa las clases. Se llaman vectores, en lugar de puntos, porque estos «puntos» tienen

tantos elementos como dimensiones tenga nuestro espacio de entrada. Es decir, estos

puntos multidimensionales se representan con vector de n dimensiones.

Algunos casos de éxito de las máquinas de vectores de soporte son:

 Reconocimiento óptico de caracteres.

 Detección de caras para que las cámaras digitales enfoquen correctamente.

 Filtros de spam para correo electrónico.

 Reconocimiento de imágenes a bordo de satélites (saber qué partes de una imagen

tienen nubes, tierra, agua, hielo, etc.).

es un modelo de predicción utilizado en diversos ámbitos que van desde la inteligencia

artificial hasta la Economía. Dado un conjunto de datos se fabrican diagramas de

construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que

sirven para representar y categorizar una serie de condiciones que ocurren de forma

sucesiva, para la resolución de un problema.

 Elementos:

- Cada nodo se puede definir como el momento en el que se ha de tomar una

decisión de entre varias posibles, lo que va haciendo que a medida que aumenta

el número de nodos aumente el número de posibles finales a los que puede llegar

el individuo.

- Los vectores de números serían la solución final a la que se llega en función de

las diversas posibilidades que se tienen, dan las utilidades en esa solución.

- Las flechas son las uniones entre un nodo y otro y representan cada acción

distinta.

- Las etiquetas se encuentran en cada nodo y cada flecha y dan nombre a cada

acción.
 Algoritmos de agrupamiento:

Clustering es una técnica de “Machine Learning” que implica la agrupación de puntos de

datos. Dado un conjunto de puntos de datos, podemos utilizar un algoritmo de agrupación

para clasificar cada punto de datos en un clúster específico. En teoría, los puntos de datos

que están en el mismo clúster deben tener propiedades y/o características similares,

mientras que los puntos de datos en diferentes clústeres deben tener propiedades y/o

características muy diferentes. La agrupación es un método de Aprendizaje no

Supervisado y es una técnica común para el análisis de datos estadísticos utilizada en

muchos campos.

Algunos de los algoritmos de clustering mas utilizados:

 K Means: Es probablemente el algoritmo de clustering más conocido, es fácil de

entender e implementar en código.

 La agrupación Mean Shift: Es un algoritmo basado en ventanas deslizantes que

intenta encontrar áreas densas de puntos de datos.

 DBSCAN: Es un algoritmo de agrupamiento basado en la densidad similar a Mean

Shift, pero con un par de ventajas notables. Las siglas DBSCAN significan

agrupamiento espacial basado en densidad de aplicaciones con ruido.

 Los modelos de mezcla gaussiana (GMM, por sus siglas en inglés) nos dan más

flexibilidad que los K Means. Con los GMM suponemos que los puntos de datos

están distribuidos por Gauss, esto es una suposición menos restrictiva que decir que

son circulares usando la media.

El Deep learning es un método específico de machine learning que incorpora

las redes neuronales en capas sucesivas para aprender de los datos de manera

iterativa. El Deep learning es especialmente útil cuando se trata de aprender

patrones de datos no estructurados. Las redes neuronales complejas de Deep

learning están diseñadas para emular cómo funciona el cerebro humano, así

que las computadoras pueden ser entrenadas para lidiar con abstracciones y

problemas mal definidos. Las redes neuronales y el Deep learning se utilizan

a menudo en el reconocimiento de imágenes, voz y aplicaciones de visión

de computadora.

Deep learning impulsa muchos servicios y aplicaciones de inteligencia

artificial (IA) que mejoran la automatización, realizando tareas analíticas y

físicas sin intervención humana. La tecnología de Deep learning reside

detrás de muchos productos y servicios de uso cotidiano (como los asistentes

digitales, los controles de TV habilitados por voz y la detección de fraudes

con tarjeta de crédito), así como de tecnologías emergentes (como los

automóviles autónomos).
 Desafíos y consideraciones éticas

El aprendizaje automático (machine learning) plantea una serie de desafíos y

consideraciones éticas que deben ser abordados de manera cuidadosa. A continuación, se

presentan algunos de los desafíos y consideraciones éticas más importantes asociados con

el aprendizaje automático:

 Sesgo algorítmico: Los algoritmos de aprendizaje automático pueden verse

afectados por sesgos inherentes a los datos de entrenamiento. Si los datos utilizados

para entrenar el modelo contienen sesgos o prejuicios, el modelo puede reproducir y

amplificar esas disparidades en sus decisiones. Esto puede conducir a resultados

injustos o discriminatorios, como discriminación racial o de género en sistemas de

contratación o justicia criminal.

 Privacidad y seguridad de los datos: El aprendizaje automático a menudo requiere

grandes cantidades de datos personales para entrenar modelos efectivos. La

recopilación y el uso de datos sensibles plantean preocupaciones sobre la privacidad

y la seguridad de la información personal.

 Transparencia y aplicabilidad: Algunos algoritmos de aprendizaje automático,

como las redes neuronales profundas, pueden ser complejos y difíciles de interpretar.

La falta de transparencia y aplicabilidad puede generar desconfianza en los sistemas

de toma de decisiones automatizados. Es importante desarrollar métodos para

comprender y explicar cómo los modelos de aprendizaje automático llegan a sus

conclusiones.
 Responsabilidad y rendición de cuentas: A medida que se automatizan más

decisiones críticas, es necesario establecer una clara responsabilidad y rendición de

cuentas. Si un modelo de aprendizaje automático toma decisiones erróneas o

perjudiciales, es importante identificar quién es responsable y cómo se pueden

corregir o compensar los errores.

 Desempleo y cambio laboral: El avance del aprendizaje automático y la

automatización pueden tener un impacto significativo en el mercado laboral.

Algunas tareas que anteriormente eran realizadas por humanos pueden ser

reemplazadas por sistemas automatizados, lo que puede llevar a la pérdida de

empleos. Es importante considerar el impacto social y económico de estos cambios

y desarrollar estrategias para la reconversión laboral y la creación de nuevos

empleos.

 Sesgo en los datos de entrenamiento: Los datos de entrenamiento pueden estar

sesgados debido a la falta de representación equitativa de diferentes grupos o debido

a sesgos sociales existentes. Esto puede llevar a resultados discriminatorios o

injustos. Es fundamental abordar y mitigar estos sesgos en los conjuntos de datos

utilizados para entrenar modelos de aprendizaje automático.

El aprendizaje automático es una poderosa herramienta dentro del campo de la inteligencia

artificial que permite a las máquinas aprender y mejorar su rendimiento a través de la

experiencia adquirida a partir de los datos. Sin embargo, su aplicación plantea desafíos y

consideraciones éticas que deben ser abordados de manera cuidadosa. A pesar de los desafíos,

el aprendizaje automático también tiene un gran potencial para impulsar el progreso en

diversas áreas, como la medicina, la economía, la seguridad y muchos otros campos. Al

abordar de manera adecuada los desafíos éticos, podemos aprovechar los beneficios de esta

tecnología de manera responsable y garantizar un futuro en el que el aprendizaje automático

contribuya positivamente al bienestar de la sociedad.

Bibliografía:

https://aprendeia.com/

Python Machine Learning

Pattern Recognition and Machine Learning