En este vídeo, vamos a intentar definir qué es, también trato
de darte una idea de cuándo necesitas usar aprendizaje automático. Incluso entre los practicantes de aprendizaje automático, no está bien aceptada la definición de qué es y qué no es aprendizaje automático. Déjame mostrarte un par de ejemplos de cómo la gente intenta definirlo. Esta es una definición de qué es aprendizaje automático por Arthur Samuel. Él definió el aprendizaje automático como el campo de estudio que da a las computadoras la capacidad de aprender sin enseñarles explícitamente. El salto a la fama de Samuel fue cuando en 1950 escribió un programa de juego de damas, y lo increíble de este programa fue que el mismo Arthur Samuel no era un buen jugador de damas. Lo que él hizo fue programar tal vez decenas de miles de partidas contra sí mismo, y ver qué posiciones en el tablero tendían a conducir a victorias y qué posiciones en el tablero tendían a conducir a derrotas, el programa de damas aprendía cuáles eran buenas posiciones en el tablero y cuáles eran malas posiciones. Finalmente, aprendería a jugar a las damas mejor que el mismo Arthur Samuel sabía hacerlo. Este fue un resultado notable. El mismo Arthur Samuel no resultaba ser muy buen jugador de damas. Un computador tiene la paciencia de jugar decenas de miles de partidas contra sí mismo, ningún humano tiene la paciencia de jugar tantas partidas. Haciendo esto, un computador pudo adquirir mucha experiencia en el juego de damas y finalmente se convirtió en mejor jugador de damas que el propio Arthur. Esta es una definición algo informal y un poco antigua. Esta es una definición un poco más reciente de Tom Mitchell. que es un amigo del Carnegie Melon. Tom define el aprendizaje automático al decir que un problema de aprendizaje bien planteado se define como sigue. Él dice, un programa de computadora aprende de la experiencia E con respecto a alguna tarea T y alguna medida del rendimiento P, si su rendimiento en T, medido por P, mejora con la experiencia E. De hecho, creo que él dio esta definición solo por hacerla rimar. Para el ejemplo del juego de damas, la experiencia E sería la experiencia del programa jugando decenas de miles de partidas contra sí mismo. La tarea T sería la tarea de jugar damas, y la medida del rendimiento P será la probabilidad de ganar la próxima partida contra algún oponente nuevo. A lo largo de estos vídeos además de tratar de enseñarte cosas, ocasionalmente te haré alguna pregunta para asegurarme de que lo entiendes. Esta es una.
Arriba tienes la definición de aprendizaje automático de Tom
Mitchell. Imagina que tu proveedor de correo sabe qué marcas como spam y qué no. En un cliente de correo como ese, puedes clicar el botón de Spam para marcar un correo como spam y no otros. Y basándose en los correos marcados como spam, el programa aprende a filtrar mejor otros correos spam ¿Cuál es la Tarea T aquí? En unos segundos, el vídeo se detendrá y entonces, puedes usar el ratón para seleccionar una de las cuatro opciones para que yo sepa cuál de las cuatro consideras que es la respuesta correcta. Esperemos que piensas que ésta es la respuesta correcta la Tarea T es clasificar los correos. En realidad, define una Tarea T, una medida del rendimiento P y una experiencia E. Observando tus correos marcados como spam o no spam será la experiencia E y la fracción de correos clasificados correctamente, podría ser la medida del rendimiento P.
La tarea... el rendimiento del sistema, la medida del
rendimiento P, mejorará después de la experiencia E. En esta clase, espero enseñarte varios tipos de algoritmos de aprendizaje. Hay varios tipos de algoritmos de aprendizaje. Los dos tipos principales son los que llamamos aprendizaje supervisado y aprendizaje no supervisado. Definiré estos términos con más precisión en un vídeo posterior. En el aprendizaje supervisado la idea es enseñar a la computadora cómo hacer algo. Mientras que en el aprendizaje sin supervisión dejaremos que aprenda por sí misma. No te preocupes si estos dos términos no tienen sentido aún. En los próximos dos vídeos, voy a decir exactamente lo que son estos dos tipos de aprendizaje. También podrías escuchar términos extraños como aprendizaje de refuerzo y sistemas de recomendación. Estos son otros tipos de algoritmos de los hablaremos más adelante. Los dos tipos de algoritmos de aprendizaje más usados son probablemente el aprendizaje supervisado y el aprendizaje no supervisado. Los definiré en los próximos dos vídeos y pasaremos la mayor parte de la clase hablando de estos dos tipos de algoritmos de aprendizaje. Otra cosa en la que pasaremos tiempo en esta clase será en consejos prácticos para aplicar los algoritmos de aprendizaje. Es algo en lo que me siento muy fuerte. Y no sé exactamente si hay otros profesores universitarios. Enseñar algoritmos de aprendizaje es como dar un conjunto de herramientas. E igualmente importante o más importante que darte las herramientas es enseñarte cómo aplicarlas. Me gustaría hacer una analogía de aprender con ser un carpintero. Imagina que una persona te enseña a ser carpintero y te dice esto es un martillo, esto un destornillador, esto una sierra, buena suerte. Eso no es bueno. Tienes las herramientas, pero lo más importante es aprender a usarlas correctamente. Hay una gran diferencia entre la gente que sabe cómo utilizar estos algoritmos de aprendizaje, y los que no los saben usar bien. Aquí, en Silicon Valley, donde vivo, cuando visito diferentes empresas incluso en las principales de Silicon Valley, muy a menudo veo gente tratando de aplicar algoritmos de aprendizaje automático a algún problema y, a veces, lo han intentado hasta durante seis meses. Pero a veces, cuando miro lo que hacen, digo, pude haberles dicho, seis meses antes, que deberían haber elegido un algoritmo de aprendizaje y aplicarlo ligeramente modificado y así las posibilidades de éxito habrían sido mucho más altas. Lo que vamos a hacer en esta clase es pasar realmente mucho tiempo hablando de, si realmente tratas de desarrollar un sistema de aprendizaje automático, cómo tomar las mejores decisiones sobre la manera de construir tu sistema. Para que cuando finalmente aprendas el algoritmo, sea menos probable que termines como una de esas personas que terminan persiguiendo después de seis meses algo que alguien más pudo descubrir que era una pérdida de tiempo durante seis meses. Realmente voy a gastar mucho tiempo enseñándote las mejores prácticas en aprendizaje automático e IA, y cómo hacer que las cosas funcionen y cómo lo hacen los mejores de Silicon Valley y de todo el mundo. Espero hacerte uno de los mejores en saber cómo diseñar construir sistemas serios de aprendizaje automático e IA. Esto es aprendizaje automático y estos son los principales temas que espero enseñar. En el próximo vídeo definiré qué es aprendizaje supervisado y después de eso qué es aprendizaje no supervisado. También algo de tiempo para hablar de cuándo usar cada uno de ellos.
Terapia cognitivo-conductual (TCC) y terapia dialéctico-conductual (TDC): Cómo la TCC, la TDC y la ACT pueden ayudarle a superar la ansiedad, la depresión, y los TOCS
Disciplina con amor para adolescentes (Discipline With Love for Adolescents): Guía para llevarte bien con tu adolescente (A Guide for Getting Along Well With Your Adolescent)
Pensamiento Crítico: Utiliza modelos mentales para desarrollar tomas de decisiones efectivas y habilidades de resolución de problemas. Supera los obstáculos cognitivos y las falacias en los sistemas para pensar con claridad en tu vida cotidiana.
Psicología Oscura: Aprende técnicas de control mental y cómo analizar a las personas para influir en el comportamiento humano con manipulación encubierta, lenguaje corporal, PNL y persuasión subliminal.
Cómo Conversar Con Cualquier Persona: Mejora tus habilidades sociales, desarrolla tu carisma, domina las conversaciones triviales y conviértete en una persona sociable para hacer verdaderos amigos y construir relaciones significativas.
Secretos de Expertos - Terapia cognitivoconductual (TCC): La guía definitiva hecha sencilla para superar el control de la ira, la ansiedad, la depresión, el insomnio, el pensamiento negativo, el pánico, las fobias, el estrés y la preocupación
Inteligencia artificial: Lo que usted necesita saber sobre el aprendizaje automático, robótica, aprendizaje profundo, Internet de las cosas, redes neuronales, y nuestro futuro