El Aprendizaje Automático (Machine Learning) está transformando la actividad humana en múltiples áreas. Afectando a la toma de decisiones, entre otros, en sectores como la banca, analizando el riesgo de crédito de las operaciones para seleccionar aquellas que viables y cuáles no, el retail, recomendando los productos que pueden ser de interés para los clientes, o el transporte, … [Leer más...] acerca de Los desafíos éticos del uso del Machine Learning en la toma de decisiones
Machine learning
Machine Learning (Aprendizaje Automático o Aprendizaje Máquina) es la rama de la inteligencia artificial que estudia cómo construir sistemas que puedan aprender automáticamente de la experiencia. Esto es, sistemas que puedan realizar mejores predicciones o tomar mejores decisiones a medida que aumenta su experiencia.
Los algoritmos de Machine Learning se dividen en tres categorías en función de los datos utilizados: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. En aprendizaje supervisado se utilizan conjuntos de datos, durante el proceso de entrenamiento, en los que se conoce el valor que debe reproducir el modelo. Pudiéndose medir el desempeño de los modelos en base a lo bien que reproduce posteriormente estos valores en otros conjuntos de datos. Tal como se puede intuir del nombre, en el caso de aprendizaje no supervisado, no se busca que los modelos reproducen un valor concreto. Siendo el objetivo de estos modelos identificar patrones que permitan separar y clasificar los datos en diferentes grupos. Por otro lado, en aprendizaje por refuerzo se busca la creación de agentes que pueden realizar acciones sobre un entorno. Siendo este un aprendizaje completamente diferente a los dos anteriores.
¿Estamos cerca de la singularidad tecnológica?
La singularidad tecnológica se define como el momento en el que la inteligencia artificial (IA) superará a la inteligencia humana. Algo que, en el hipotético caso de que se llegue a producir en el futuro, daría lugar a cambios en la sociedad que son difíciles de predecir. El concepto de singularidad tecnológica es una idea sobre la que existe un debate en círculos científicos, … [Leer más...] acerca de ¿Estamos cerca de la singularidad tecnológica?
Cuatro aplicaciones de la Inteligencia Artificial en la Agricultura
La agricultura es un sector clave para garantizar la subsistencia de la civilización. Actualmente, la combinación del aumento de la población y el cambio climático hace que sea necesario mejorar la producción de alimentos de forma sostenible, para garantizar el suministro actual y futuro. Siendo la inteligencia artificial (IA) una herramienta indispensable para abordar estos … [Leer más...] acerca de Cuatro aplicaciones de la Inteligencia Artificial en la Agricultura
El índice de Davies-Bouldinen para estimar los clústeres en k-means e implementación en Python
Uno de los mayores problemas a la hora de trabajar con el algoritmo de k-means es la necesidad de conocer el número de clústeres en los que se debe dividir el conjunto de datos. Para lo que existen diferentes métodos como el del codo, la Silhouette, Gap Statistics o Calinski-Harabasz. En esta ocasión se va a ver otro método bastante popular, el braseado en el índice de … [Leer más...] acerca de El índice de Davies-Bouldinen para estimar los clústeres en k-means e implementación en Python
Cuatro aplicaciones de la Inteligencia Artificial en Política
Aunque la política es una actividad puramente humana, el rápido avance de la inteligencia artificial (IA) también ha traído aplicaciones a esta área. Lo que ha dejado claro la IA es su capacidad para mejorar la eficiencia de los procesos, realizar análisis de datos sofisticados y ofrecer soluciones a problemas complejos. Necesidades que no escapan a la política. En este ensayo … [Leer más...] acerca de Cuatro aplicaciones de la Inteligencia Artificial en Política
Número óptimo de clústeres con Silhouette e implementación en Python
La Silhouette es una métrica que permite evaluar la calidad de los clústeres generados mediante algoritmos de clustering basados en la distancia euclídea. Como es el caso de k-means. Cuantificando la relación que existe entre la separación de los diferentes clústeres y la similitud entre los puntos de un mismo clúster en un valor que varía entre -1 y 1. Los valores cercanos a 1 … [Leer más...] acerca de Número óptimo de clústeres con Silhouette e implementación en Python
Cuatro aplicaciones de la Inteligencia Artificial en el Deporte
Es obvio que la inteligencia artificial (IA) ha experimentado un crecimiento exponencial en las últimas décadas. Abarcando sus casos de uso una amplia variedad de áreas. El deporte no es la excepción, y la IA se ha convertido en una herramienta clave en el ámbito deportivo, ayudando a mejorar el rendimiento de los deportistas, analizar el juego y ayudando en el desarrollo de … [Leer más...] acerca de Cuatro aplicaciones de la Inteligencia Artificial en el Deporte
Identificar el número de clústeres con Calinski-Harabasz en k-means e implementación en Python
Cuando se desea realizar análisis de clúster uno de los algoritmos más utilizados es k-means. Lo que se explica por los buenos resultados que suele ofrecer con la mayoría de los conjuntos de datos y su simplicidad. Pero tiene un problema, es necesario conocer el número de clústeres en los que se debe dividir el conjunto de datos. Por lo que existen diferentes métodos como el … [Leer más...] acerca de Identificar el número de clústeres con Calinski-Harabasz en k-means e implementación en Python
Cuatro aplicaciones de la Inteligencia Artificial en Sanidad
La inteligencia artificial (IA) está transformando la forma en que se abordan los problemas de salud. Produciendo importantes avances en el diagnóstico, tratamiento y prevención de enfermedades. En esta publicación vamos a mostrar algunas de las principales aplicaciones de la inteligencia artificial en sanidad.Diagnóstico y detección temprana de enfermedadesLa IA se … [Leer más...] acerca de Cuatro aplicaciones de la Inteligencia Artificial en Sanidad
Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means
Posiblemente la técnica más utilizada para identificar el número óptimo de clústeres en los que dividir un conjunto de datos con K-means sea el método del codo (elbow method). Lo que se explica porque es un método intuitivo y fácil de implementar. Solamente hay que identificar el punto en el que la disminución de la varianza intra-clúster se desacelera, lo que indica que … [Leer más...] acerca de Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means
Cuatro Aplicaciones de la Inteligencia Artificial en la Moda
La industria de la moda es un sector en constante evolución, donde la innovación y la creatividad son esenciales para mantenerse al día con las tendencias y las demandas de los consumidores. Por eso la inteligencia artificial (IA) puede ayudar también a esta industria. En esta publicación analizaré cuatro posibles aplicaciones de la inteligencia artificial en la … [Leer más...] acerca de Cuatro Aplicaciones de la Inteligencia Artificial en la Moda
Optimizar el número de clústeres con gap statistics
El mayor problema con el que nos podemos encontrar a la hora de usar el algoritmo de k-means es conocer el número de clústeres en los que se divide el conjunto de datos. Un hiperparámetro que en Scikit-learn debe ser indicado al construir el objeto. Por eso existen múltiples métodos para seleccionar este valor como los métodos del codo (elbow method), silueta (silhouette) o … [Leer más...] acerca de Optimizar el número de clústeres con gap statistics