Machine Learning

1Taller Investigación
Jhon Alexander Ruiz Bautista

Noviembre 2022.
Fundación universitaria Los Libertadores.

Ingeniería de sistemas.
Sistemas de conocimiento.
Contenido
Machine Learning................................................................................................................2
¿Qué es Machine Learning?:...........................................................................................3
¿Para qué sirve el machine learning?:.............................................................................3
Deep Learning.....................................................................................................................4
¿Qué es Deep Learning?:.................................................................................................4
¿Para qué sirve el Deep learning?:...................................................................................5
Tipos de Aprendizaje Automático.......................................................................................6
Impacto del aprendizaje automático en la tecnología..........................................................7
¿Qué sería de la inteligencia artificial sin el machine learning?..........................................8
Lista de referencias..............................................................................................................9
Machine Learning
En el año 400 a. C., Arquitas de Tarento, un filósofo, matemático y
astrónomo griego, inventó una paloma de madera capaz de volar por sí misma utilizando
vapor de agua. Este fue considerado como el primer robot de la historia. Desde entonces,
incluso desde mucho antes, el ser humano no ha dejado de inventar máquinas cada vez
más complejas con el objetivo de imitar la complejidad del cerebro y la inteligencia
humana, con el objetivo de hacernos la vida más fácil.
¿Qué es Machine Learning?:
El machine learning es una rama de la inteligencia artificial que busca generar
tecnologías con capacidad de aprender. Sus algoritmos permiten que un sistema
computacional procese datos de forma automática, detecte regularidades y tome
decisiones basadas en esa información.
¿Para qué sirve el machine learning?:
El machine learning les enseña a las máquinas a procesar la información con
distintos algoritmos (como los de regresión o árboles de decisión), que ayudan a que
aprendan con ejemplos que aplicarán cuando lo necesiten.
Por lo tanto, el machine learning sirve para procesar grandes volúmenes de
información que ayuden a resolver problemas de distinta complejidad, por ejemplo:
 Las rutas que Waze traza a los usuarios para evitar embotellamientos y
demoras en su camino.
 Identificar tendencias en enfermedades de una comunidad, como síntomas,
edad de los pacientes o tiempo de recuperación.

 Prevenir fraudes en instituciones bancarias.
 Hallar oportunidades de inversión para empresas.
 Mejorar la seguridad pública al encontrar patrones entre sitios con alta
criminalidad.
Deep Learning
Deep Learning se ha convertido en una expresión muy habitual. La escuchamos al
hablar de juegos, de hardware, de servicios, etc., en fin, de todo.
En pocos años parece que el aprendizaje profundo se ha convertido en una
tecnología necesaria en el desarrollo tecnológico y evidentemente hay razones
para que así sea. Ahora bien, aunque se habla de esta rama de la inteligencia
artificial (pues eso es Deep Learning, una de las múltiples tecnologías en las que
se apoya la IA), para muchas personas sigue siendo un concepto opaco.
Por ello comenzare definiendo el concepto de Deep learning y aprendizaje
profundo.
¿Qué es Deep Learning?:
El Deep Learning o aprendizaje profundo se define como un algoritmo
automático estructurado o jerárquico que emula el aprendizaje humano con el fin de

obtener ciertos conocimientos. Destaca porque no requiere de reglas programadas
previamente, sino que el propio sistema es capaz de «aprender» por sí mismo para
efectuar una tarea a través de una fase previa de entrenamiento.
Tomado de https://www.smartpanel.com/que a
El ‘aprendizaje profundo’ sigue un proceso por capas que simula “el funcionamiento
básico del cerebro que se realiza a través de las redes de neuronas.
A su vez, también se caracteriza por estar compuesto por redes neuronales
artificiales entrelazadas para el procesamiento de información. Se emplea principalmente
para la automatización de análisis predictivos.
¿Para qué sirve el Deep learning?:
El aprendizaje profundo tiene especial aplicación en el área de la medicina mediante

diagnósticos médicos, y en el mercado financiero por medio de modelos predictivos, pero
poco a poco otros sectores están aprovechando este «boom» y se están subiendo al barco
diseñando sistemas de Deep Learning para detección de fraudes, auditoría de datos,
detección de anomalía, etc.
Otros ejemplos comunes son:

 Traductores inteligentes.
 Lenguaje natural hablado y escrito.
 Reconocimiento de voz.
 Reconocimiento facial.
Tipos de Aprendizaje Automático
Dependiendo de las necesidades del problema, el ambiente en el que se van a desenvolver

y los factores que afectarán la toma de decisiones, podemos encontrar distintos tipos de
algoritmos de aprendizaje, entre los cuales vamos a hablar de 3 de ellos: supervisado, no
supervisado y por refuerzo.
Aprendizaje supervisado:
En el aprendizaje supervisado, la máquina se enseña con el ejemplo. De este

modo, el operador proporciona al algoritmo de aprendizaje automático un
conjunto de datos conocidos que incluye las entradas y salidas deseadas, y el
algoritmo debe encontrar un método para determinar cómo llegar a esas entradas
y salidas.
Mientras el operador conoce las respuestas correctas al problema, el algoritmo

identifica patrones en los datos, aprende de las observaciones y hace predicciones.
El algoritmo realiza predicciones y es corregido por el operador, y este proceso
sigue hasta que el algoritmo alcanza un alto nivel de precisión y rendimiento.
Aprendizaje sin supervisión:
Aquí, el algoritmo de aprendizaje automático estudia los datos para identificar

patrones. No hay una clave de respuesta o un operador humano para proporcionar
instrucción. En cambio, la máquina determina las correlaciones y las relaciones
mediante el análisis de los datos disponibles.
En un proceso de aprendizaje no supervisado, se deja que el algoritmo de

aprendizaje automático interprete grandes conjuntos de datos y dirija esos datos
en consecuencia. Así, el algoritmo intenta organizar esos datos de alguna manera
para describir su estructura. Esto podría significar la necesidad de agrupar los
datos en grupos u organizarlos de manera que se vean más organizados.
A medida que evalúa más datos, su capacidad para tomar decisiones sobre los
mismos mejora gradualmente y se vuelve más refinada.
Aprendizaje por refuerzo:
El aprendizaje por refuerzo se centra en los procesos de aprendizajes

reglamentados, en los que se proporcionan algoritmos de aprendizaje automáticos
con un conjunto de acciones, parámetros y valores finales.
Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar

diferentes opciones y posibilidades, monitorizando y evaluando cada resultado
para determinar cuál es el óptimo.
En consecuencia, este sistema enseña la máquina a través del proceso de ensayo y

error. Aprende de experiencias pasadas y comienza a adaptar su enfoque en
respuesta a la situación para lograr el mejor resultado posible
Impacto del aprendizaje automático en la tecnología
Una de las grandes promesas de cara al futuro es el aprendizaje automático, los ejemplos
de compañías líderes que utilizan esta aplicación de inteligencia artificial para optimizar
sus estrategias de negocio son varias: Amazon, eBay, Netflix y Spotify, por citar solo
algunos casos.
Esta nueva tecnología permite que un sistema identifique millones de patrones a partir de
una serie muy grande de datos y, con este nuevo conocimiento, reaccionar en situaciones
o casos futuros. De esta manera, a través de los nuevos datos e información que reciben,
los sistemas continuamente perfeccionan su comportamiento y optimizan su eficiencia.
En resumen, esta disciplina científica puede ayudar a las empresas a interpretar enormes
series de datos (Big Data) para extraer ideas significativas y llegar a la resolución rápida
de problemas complejos.
Naturalmente, como cualquier solución tecnológica vinculada a la Industria 4.0, el
machine learning, cuando se aplica en el contexto comercial e industrial, aporta varios
beneficios a la operación como:
 Mayor eficiencia.
 Optimizan la toma de decisiones
 Aumento de las posibilidades de los resultados
Además de la multitud de herramientas en el mercado para uso cotidiano como lo son
Waze, Google maps, reconocimientos faciales, programas de reconocimiento de voz, etc.
¿Qué sería de la inteligencia artificial sin el machine learning?
En los inicios de la inteligencia artificial, la vía más común con la que se abordaban
problemas de IA era con la construcción de algoritmos, más o menos generales, para
encontrar la solución del problema.

La aproximación que propone el machine learning es muy distinta, y pasa por utilizar
datos reales del comportamiento deseado para construir una máquina que sea capaz de
reconocerlos y simularlos. En este sentido, el problema se traduce en utilizar una correcta
representación de los datos junto a algún mecanismo de optimización para poder ajustar
la máquina al comportamiento observado. En el machine learning también se crean
algoritmos de optimización generales que, trabajando sobre representaciones adecuadas,
sean capaces de ajustar correctamente la máquina al comportamiento observado en los
datos, independientemente del dominio del problema.
Sin el machine learning la inteligencia artificail se habría estancado, dado a los complejos
algoritmos y la manualidad en el uso de esta.
Dado que uno de los objetivos que tiene la inteligencia artificial es imitar el
comportamiento humano, ¿cómo podría hacer realmente esto la inteligencia artificial
sin la capacidad de aprender por sí misma como lo haríamos nosotros?
Lista de referencias
Santander Universidades. (2021, April 9). Machine learning: Qué es y por qué está cam-
biando El Mundo. ¿Qué es el Machine Learning? | Blog Becas Santander. Retrieved
November 16, 2022, from https://www.becas-santander.com/es/blog/machine-
learning-que-es.html/index.html
Pursell, S. (2022, October 19). ¿Qué es el machine learning? Características, Tipos y

ejemplos. HubSpot. Retrieved November 16, 2022, from https://blog.hubspot.es/
marketing/machine-learning
SmartPanel, P., & SmartPanel. (2019, October 9). ¿Qué es el deep learning? SmartPanel.
Retrieved November 16, 2022, from https://www.smartpanel.com/que-es-deep-
learning/
Salces, D. (2021, November 28). | cite this for me. Cite This For Me, a Chegg service.
Retrieved November 16, 2022, from https://www.citethisforme.com/
bibliographies/a520af8e-0284-4b4b-85a2-bb38d6c9d89e
Redacción APD Toda la actualidad de la Comunidad Global de Directivos en un nuevo

canal de contenidos digitales. (2020, November 18). ¿Cuáles son los tipos de algoritmos
del machine learning? APD España. Retrieved November 16, 2022, from https://
www.apd.es/algoritmos-del-machine-learning/
Audaces. (2022, May 26). Machine learning: Ventajas y aplicaciones en la industria.

Audaces. Retrieved November 16, 2022, from https://audaces.com/es/que-es-el-ma-
chine-learning-y-como-funciona/#Conclusion
Rodolfo de, J. (2019, July 29). Cinco Tecnologías en las que se apoya la inteligencia ar-
tificial. MuyComputerPRO. Retrieved November 16, 2022, from https://www.muy-
computerpro.com/2019/07/29/cinco-tecnologias-en-las-que-se-apoya-la-inteligen-
cia-artificial

Machine Learning

Cargado por

Copyright:

Formatos disponibles

Machine Learning

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Machine Learning

Cargado por

Copyright:

Formatos disponibles

1Taller Investigación

Jhon Alexander Ruiz Bautista

Fundación universitaria Los Libertadores.

En el año 400 a. C., Arquitas de Tarento, un filósofo, matemático y

más complejas con el objetivo de imitar la complejidad del cerebro y la inteligencia

humana, con el objetivo de hacernos la vida más fácil.

¿Qué es Machine Learning?:

El machine learning es una rama de la inteligencia artificial que busca generar

tecnologías con capacidad de aprender. Sus algoritmos permiten que un sistema

computacional procese datos de forma automática, detecte regularidades y tome

decisiones basadas en esa información.

¿Para qué sirve el machine learning?:

El machine learning les enseña a las máquinas a procesar la información con

aprendan con ejemplos que aplicarán cuando lo necesiten.

Por lo tanto, el machine learning sirve para procesar grandes volúmenes de

información que ayuden a resolver problemas de distinta complejidad, por ejemplo:

 Identificar tendencias en enfermedades de una comunidad, como síntomas,

edad de los pacientes o tiempo de recuperación.

 Hallar oportunidades de inversión para empresas.

 Mejorar la seguridad pública al encontrar patrones entre sitios con alta

Deep Learning se ha convertido en una expresión muy habitual. La escuchamos al

hablar de juegos, de hardware, de servicios, etc., en fin, de todo.

En pocos años parece que el aprendizaje profundo se ha convertido en una

tecnología necesaria en el desarrollo tecnológico y evidentemente hay razones

se apoya la IA), para muchas personas sigue siendo un concepto opaco.

Por ello comenzare definiendo el concepto de Deep learning y aprendizaje

¿Qué es Deep Learning?:

El Deep Learning o aprendizaje profundo se define como un algoritmo

automático estructurado o jerárquico que emula el aprendizaje humano con el fin de

efectuar una tarea a través de una fase previa de entrenamiento.

A su vez, también se caracteriza por estar compuesto por redes neuronales

artificiales entrelazadas para el procesamiento de información. Se emplea principalmente

para la automatización de análisis predictivos.

¿Para qué sirve el Deep learning?:

El aprendizaje profundo tiene especial aplicación en el área de la medicina mediante

Otros ejemplos comunes son:

Tipos de Aprendizaje Automático

Dependiendo de las necesidades del problema, el ambiente en el que se van a desenvolver

En el aprendizaje supervisado, la máquina se enseña con el ejemplo. De este

Mientras el operador conoce las respuestas correctas al problema, el algoritmo

Aprendizaje sin supervisión:

Aquí, el algoritmo de aprendizaje automático estudia los datos para identificar

En un proceso de aprendizaje no supervisado, se deja que el algoritmo de

Aprendizaje por refuerzo:

El aprendizaje por refuerzo se centra en los procesos de aprendizajes

Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar

En consecuencia, este sistema enseña la máquina a través del proceso de ensayo y

Impacto del aprendizaje automático en la tecnología

los sistemas continuamente perfeccionan su comportamiento y optimizan su eficiencia.

Naturalmente, como cualquier solución tecnológica vinculada a la Industria 4.0, el

machine learning, cuando se aplica en el contexto comercial e industrial, aporta varios

beneficios a la operación como:

 Optimizan la toma de decisiones

 Aumento de las posibilidades de los resultados

Además de la multitud de herramientas en el mercado para uso cotidiano como lo son

Waze, Google maps, reconocimientos faciales, programas de reconocimiento de voz, etc.

¿Qué sería de la inteligencia artificial sin el machine learning?

problemas de IA era con la construcción de algoritmos, más o menos generales, para