En este subtema abordaremos los desarrollos más recientes en redes neuronales y sus aplicaciones actuales en diversos sectores, como la inteligencia artificial, la medicina, la industria, los videojuegos, entre otros.
Lo primero que tendría que decir es que en la última década, las redes neuronales han experimentado un desarrollo muy rápido. Resolviendo problemas que antes eran imposibles o difíciles de tratar. Esto ayudado también en parte por la actualización de la tecnología que ha aumentado su poder computacional y ha permitido entrenamiento de redes mucho más grandes y complejas. Eficientando así el proceso de entrenamiento de datos reduciendo los tiempos de respuesta.
Es una rama de la IA que busca la interacción entre las computadoras y el lenguaje humano. Está compuesto por diversas ramas que abarcan desde el análisis de sonidos hasta la comprensión de textos y diálogos complejos. Estas ramas no solo abarcan la parte gramatical y estructural del lenguaje, sino también aspectos de semántica, pragmática, y análisis de sentimiento. Juntas, permiten a los sistemas computacionales entender y generar lenguaje de manera más cercana a cómo lo hacen los humanos.
Modelos como GPT (Generative Pretrained Transformer) y BERT (Bidirectional Encoder Representations from Transformers) han llevado a mejoras significativas en tareas como traducción automática, análisis de sentimientos, generación de texto y sistemas de respuesta automática.
Video: Simplilearn (17 marzo 2021), Natural Language Processing In 5 Minutes | What Is NLP And How Does It Work? | Simplilearn
Entre las aplicaciones más relevantes del PLN se encuentran:
Análisis de sentimientos:
Es la que determina si un texto expresa emociones negativas, positivas o neutras respecto a un tema. Analiza opiniones de productos, servicios o temas varios, y se aplica en el marketing, análisis de redes sociales y atención al cliente.
Video: Fun robotics (1 Abril 2021) What is Sentiment Analysis?:
Traducción automática::
Traduce textos de un idioma a otro y se utiliza en turismo, negocios internacionales.
Generación de texto:
Genera texto nuevo, como artículos, ensayos, poemas o código de programación. Los máximos exponentes de hoy en día son los chatbots que incluso simulan conversaciones humanas.
Video: ComputerHoy.com( 6 Enero 2023), ¿Qué es chat GPT?:
Generación de texto:
Su nombre lo indica, condensa un texto manteniendo su significado principal.
Pregunta – Respuesta:
Proporciona respuestas a preguntas formuladas en lenguaje natural. Como lo hacen, por ejemplo, los asistentes virtuales o los mismos motores de búsqueda.
Reconocimiento de voz y conversión de texto a voz:
Utiliza redes neuronales profundas para comprender el habla humana, realizar tareas a partir de comandos de voz, y generar respuestas en lenguaje natural. Sus aplicaciones se encuentran en los asistentes de voz personalizados, análisis de conversaciones y generación automática de subtítulos en tiempo real.
Video: ComputerHoy.com( 6 Enero 2023), ¿Qué es chat GPT?:
Es una disciplina científica que le permite a las computadoras “ver” y entender el mundo visual. En otras palabras, es el campo de la inteligencia artificial que se enfoca en enseñar a las máquinas a interpretar y comprender imágenes y videos de la misma manera que lo hacen los humanos. En este rubro, los modelos ResNet y EfficientNet han establecido nuevos estándares para el reconocimiento de imágenes y la clasificación en tareas de alto nivel, como el análisis médico mediante imágenes y la detección automática de objetos.
Aplicaciones:
Video: WWWhat’s New (13 mayo 2016), Coches autónomos: Qué son, cómo funcionan y más.
Seguridad:
Medicina:
Realidad aumentada:
Comercio electrónico:
Este apartado lo ampliaremos en el siguiente subtema, porque lo que nos limitaremos a reconocer que la visión por computadora hace uso de las redes neuronales para realizar sus objetivos.
son redes que enfrentan a dos modelos: uno generador y otro discriminador. El generador intenta crear datos falsos que imitan los datos reales, mientras que el discriminador trata de distinguir entre los datos reales y los generados. Este enfrentamiento mejora ambos modelos hasta que el generador crea datos que son prácticamente indistinguibles de los reales.
Sus usos son muy variados, sin embargo se concentran en el entretenimiento.
Ejemplo:
Video: Xataka (16 Febrero 2024), SORA: ES DIFICIL creer que son VIDEOS CREADOS POR IA.
Ejemplos: Zebra Medical Vision.
Video: Welcome.AI (11 Octubre 2017), Zebra Medical Vision – The Future of Medical Imaging.
Articulo: Alex MacFarland (1 Octubre 2024), Las 10 mejores herramientas de mejora y ampliación de imágenes con IA, https://www.unite.ai/es/Las-mejores-herramientas-de-mejora-de-imagen-AI/
Utiliza redes neuronales profundas para analizar patrones en grandes cantidades de datos financieros y realizar predicciones sobre el mercado de valores y las tendencias de inversión. Sus usos se centran en Trading automatizado, gestión de portafolios, y detección de fraudes financieros.
Ejemplos de estas aplicaciones son: JP Morgan Chase y su plataforma LOXM. De igual forma la compañía S&P Global tiene Kensho que les ayuda al análisis de riesgo y optimización de carteras.
Ejemplo:
Le ayuda al análisis de riesgo y optimización de carteras.
Para este subtema se requiere contestar un cuestionario autoevaluable, el cual se encuentra en el apartado de recursos.
Cuestionario del subtema 4.2.3.
A manera de conclusión podemos decir que las redes neuronales están impulsando aplicaciones revolucionarias en múltiples sectores como la medicina y los vehículos autónomos, pasando por la creación de contenido y el análisis financiero. Empresas como Google, Tesla, OpenAI, y NVIDIA están liderando este campo con tecnologías de vanguardia. En los próximos subtemas veremos más de las aplicaciones que están revolucionando nuestro estilo de vida.
Clasificación de datos con un Perceptrón.
Implementación de un clasificador usando el algoritmo del perceptrón y unos datos reales. Es lo mas parecido a un proyecto de Machine Learning que veremos en este curso.
Objetivos, Saberes y Habilidades a desarrollar:
Herramientas y Librerías:
Introducción:
En esta práctica exploraremos uno de los fundamentos más básicos y poderosos del aprendizaje automático: el perceptrón. Inspirado en el funcionamiento de las neuronas biológicas, el perceptrón es un modelo computacional que imita la forma en que las células del cerebro procesan información. Al igual que las neuronas, este modelo combina señales de entrada, las pondera según su importancia, y genera una salida que indica si se ha alcanzado un umbral predefinido.
El perceptrón es particularmente útil en tareas de clasificación de datos, ya que es capaz de aprender a separar conjuntos de datos en distintas categorías basándose en patrones lineales. Aunque su simplicidad lo limita a problemas linealmente separables, el perceptrón sienta las bases para redes neuronales más complejas y potentes.
En esta práctica, aprenderás a implementar un perceptrón desde cero, entenderás cómo ajusta sus pesos durante el entrenamiento mediante el método de aprendizaje supervisado, y lo aplicarás en un conjunto de datos para resolver un problema de clasificación. Al finalizar, no solo habrás construido un modelo funcional, sino que también comprenderás cómo las ideas básicas detrás de las neuronas biológicas inspiran algunos de los algoritmos más avanzados de la inteligencia artificial.
Metodología y descripción de la actividad:
1. Selección del Conjunto de Datos
Utilizar un conjunto de datos real como el conjunto de datos Iris, que contiene información sobre diferentes tipos de flores. Lo puedes descargar de este link:
2. Preprocesamiento de Datos:
3. Graficar los datos diferenciando colores de las clases.
4. Implementación del Perceptrón.
5. Graficar los datos (Scatter) y agregar la línea de decisión a la gráfica.
Entregables y Reporte Final:
Documentación que te puede ser útil:
En esta práctica, aprenderás a implementar un perceptrón desde cero, entenderás cómo ajusta sus pesos durante el entrenamiento mediante el método de aprendizaje supervisado, y lo aplicarás en un conjunto de datos para resolver un problema de clasificación. Al finalizar, no solo habrás construido un modelo funcional, sino que también comprenderás cómo las ideas básicas detrás de las neuronas biológicas inspiran algunos de los algoritmos más avanzados de la inteligencia artificial.
Recursos: 1 Descargable
Duración: 3 Horas
Departamento de Sistemas e Informatica
sistemas@itistmo.edu.mx
“Por una tecnología propia como principio de libertad®️”
