COMANDO EN JEFE DE LAS FF.

AA DE LA
NACION ESCUELA MILITAR DE INGENIERIA UA
TROPICO “MCAL. ANTONIO JOSE DE SUCRE”

BOLIVIA

INFORME

INTEGRANTES : MONICA AYCA PASCUAL

ROBERTO C. OLIVERA ILLANES
RIDER JALDIN CHURA
JOSE ARIEL VALE COCHA
JOHN LESTER VALE COCHA
MATERIA : INTERNET DE LAS COSAS

DOCENTE : ING. DENIS ARRAITA RODRIGUEZ

CARRERA : Ing. De Sistemas

SEMESTRE : Sexto

FECHA : 09/ 02 / 2022

COCHABAMBA-BOLIVIA
MACHIN LEARNING
Durante uno de esos momentos dorados, en la década de los 80, apareció una
rama de la AI, el aprendizaje automático o machine learning (ML), que
utiliza algoritmos matemáticos que permiten a las máquinas aprender. El machine
learning es una forma analítica de resolver problemas mediante la identificación,
la clasificación o la predicción. Los algoritmos aprenden de los datos introducidos y
luego utilizan este conocimiento para sacar conclusiones de nuevos datos. 
En Bismart, empresa partner Power BI de Microsoft, somos expertos en ayudar a las
empresas a aplicar la inteligencia artificial, el machine learning y el deep learning
para optimizar sus procesos.

Machine Learning es un tipo de inteligencia artificial que, a través de algoritmos, las

máquinas usan estadísticas para encontrar patrones en datos y poder predecir
nuevos valores y comportamientos.
Estas estadísticas permiten a las aplicaciones ser más precisas en la predicción de
resultados, sin estar programadas explícitamente para hacerlo.
Según IBM, el machine learning no es un proceso para nada sencillo y requiere de
altos niveles de programación para funcionar correctamente. La clave de ese
concepto es que las máquinas aprenden de los datos y no de una orden
programada.

¿cómo funciona el machine learning?

De acuerdo con Medium, el machine learning no es más que un etiquetador de
cosas y funciona como un clasificador tecnológico de los datos que circulan por
sistemas de información.
De esta manera, podemos decir que el machine learning es una computadora lo que
el lenguaje es al cerebro humano. Cuando ves tal o cual imagen en una pantalla o
tal vez en la vida real, tu cerebro codifica esa información y la traduce en una
palabra o pensamiento. ¡Así es como funciona el machine learning!
Por ejemplo, cuando una aplicación de fotografía puede diferenciar entre un perro y
un gato. Lo primero que debemos hacer es mostrarle imágenes tanto de perros
como de gatos, para que el programa encuentre patrones en cada una de las
imágenes.
A través de inteligencia artificial, el sistema irá encontrando las diferencias entre
estos dos animales y así, en un futuro, podrá determinar por su propia cuenta cual
es un perro y cuál es un gato, sin la intervención de un ser humano.

historia del machine learning, ¿de dónde viene?

Para hablar de la historia del machine learning, primero es necesario que
desarrollemos un poco el devenir de la Inteligencia Artificial en el mundo de la
tecnología. Pues el aprendizaje automático no es nada sin el IA.
En 1952, Arthur Samuel creó una de las primeras máquinas de aprendizaje
temprano, con la capacidad de jugar a las damas. Usó guías anotadas por
jugadores expertos y jugó contra sí mismo para aprender a distinguir los
movimientos correctos de los malos.
Recién 4 años después, en 1956 nació el término Inteligencia artificial. Desde
entonces, se fueron creando otras máquinas capaces de Jugar Backgammon en
1992, y en 1997 IBM creó la primera en poder jugar ajedrez. ¡Vaya, sí que los
científicos buscan con quien jugar!
El resto de la historia del machine learning es tal como te la imaginas: a más datos,
más aprendizaje. De esta manera, científicos fueron enseñándole más detalles a
computadoras que gracias a algoritmos lograron vencer a especialistas humanos en
la temática.

¿cómo impacta el machine learning en la actualidad?

En la actualidad, la inteligencia artificial junto con el aprendizaje de las máquinas
siguen creciendo día a día. Gracias al machine learning funcionan en la actualidad
los sistemas de recomendaciones que usan Netflix, YouTube y Spotify.

A través del contenido que reproduces y los “me gusta” o “no me interesa”, su
sistema recolecta esta data y la compara con la de otros usuarios. De esa manera,
te brinda sugerencias más acertadas que harán que sigas disfrutando del servicio
de estas plataformas.

De igual manera, motores de búsqueda como Google van aprendiendo de acuerdo

con tu historial de búsqueda. Redes sociales como Facebook, Instagram y Twitter,
usan el machine learning para poder determinar qué mostrarte en la página de
inicio.

las industrias y el machine learning hoy en día

Al inicio del siglo, resultaba algo muy loco poder tener nuestros propios asistentes
de inteligencia artificial en nuestros bolsillos o en nuestras salas. Pero tal como
estás pensando: así es, Siri o Alexa también son expertas en aprendizaje de las
máquinas.
Además de las comunicaciones, en la actualidad muchas industrias están
empleando el machine learning en sus procesos. Por ejemplo, encontramos al
machine learning en el control del clima; los sistemas mantienen un seguimiento de
los cambios de temperatura para predecir catástrofes como ciclones. Y también en
el marketing, para poder recibir publicidad adecuada en internet y recomendaciones
para tu próxima compra en internet.

Ventajas del deep learning

La matriz de la idea que genera este tipo de aprendizaje es la de buscar la mayor

similitud posible con el trabajo de las propias neuronas humanas. En este sentido,
habría diferentes capas de datos o de procesos, representando cada una de ellas
una red neuronal. Individualmente sabrían hacer una cosa, cumplir con una función
y colectivamente podrían cruzar sus diferentes habilidades para producir resultados
más sofisticados y complejos. La ventaja principal está en la independencia que
tiene este sistema a la hora de trabajar, es decir, no es necesaria una atención por
parte del usuario para conseguir resultados.

Mejor servicio al cliente. El Machine Learning permite analizar las preferencias de

los clientes para ofrecer productos personalizados de forma automática. De este
modo, la percepción que tienen de la empresa mejora y se potencia la fidelización.
Disminución de errores. El aprendizaje automático de los sistemas de gestión
aplicados en la organización ayuda a que los errores cometidos no se repitan.
Cuanto más tiempo lleve integrado en el sistema, más sólido será.
Acciones preventivas. En relación al punto anterior, las herramientas de
aprendizaje automático permiten prevenir errores. La IA descarta por sí misma las
acciones más arriesgadas y aquellas que pueden poner en riesgo el desarrollo de
nuestro producto o servicio.
Ciberseguridad. Esta tecnología permite que las máquinas estén al día en lo que a
ciberataques se refiere. Teniendo en cuenta que la mayoría de malwares utilizan
código similar, el aprendizaje automático puede evitar fácilmente que los ataques se
repitan.
Detección de fraudes. La Inteligencia Artificial puede detectar fácilmente qué
transacciones son legítimas y cuáles no si le asignamos un patrón a estos
movimientos monetarios.
Automatización de procesos. La automatización de rutinas o de tareas mecánicas
que no aportan valor añadido es un elemento recurrente en los listados de
beneficios relacionados con la Inteligencia Artificial. Gracias al Machine Learning, la
máquina sabrá qué procesos debe tratar y, con el tiempo, los perfeccionará e
incluso ampliará la cantidad de tareas a realizar.
Los norteamericanos son los que llevan más tiempo aplicando Machine Learning en
la empresa. Según el MIT, el 50% de las organizaciones de Estados Unidos utiliza
esta tecnología para facilitar el análisis de datos.
DEEP LEARNING
Ya en el siglo XXI, en el año 2011, apareció una rama del machine learning llamada
aprendizaje profundo o, más comúnmente, deep learning (DL). La popularidad del
machine learning y el desarrollo de la capacidad de computación de los ordenadores
permitieron llegar a esta nueva tecnología. El deep learning como concepto es muy
similar al machine learning, pero usa algoritmos distintos. Mientras que el machine
learning trabaja con algoritmos de regresión o con árboles de decisión, el deep
learning usa redes neuronales que funcionan de forma muy parecida a las
conexiones neuronales biológicas de nuestro cerebro.
El deep learning, o aprendizaje profundo, parte del machine learning para, a partir
de una gran cantidad de datos y tras numerosas capas de procesamiento con
algoritmos, conseguir que un ordenador termine aprendiendo por cuenta propia y
realizando tareas similares a las de los seres humanos, como la identificación de
imágenes, el reconocimiento del habla o la realización de predicciones, de forma
progresiva.

Cómo funciona el deep learning

Los algoritmos de deep learning se aplican a redes neuronales artificiales
estructuradas en forma de capas: input layer (entrada), hidden layer (oculta) y output
layer (salida). Los datos entran por la primera capa, en la que hay varias neuronas
artificiales que se activan o no dependiendo de los datos. Volviendo al ejemplo
anterior, en esta primera capa (input layer) se puede activar el reconocimiento de
una línea o un punto, en las capas intermedias (hidden layer) esa combinación de
líneas y puntos se procesa hasta decidir que se trata de una letra, y finalmente la
capa de salida (output layer) determina que se trata de la letra B.

¿Por y para qué es útil el Deep Learning?

El Deep Learning ha llamado mucho la atención por su potencial utilidad en distintos
tipos de aplicaciones en el “mundo real” (pueden aplicarse con éxito a grandes
volúmenes de datos para el descubrimiento y aplicación de conocimiento, así como
a la realización de predicciones a partir de él), principalmente debido a que obtiene
tasas de éxito elevadas con entrenamiento “no supervisado”. En el caso del
ejemplo, las redes de Deep Learning aprenderían a identificar gatos aunque las
imágenes no tuvieran la etiqueta "gato”.

A continuación se muestran algunos de los principales problemas “reales” en los

que distintas compañías están aplicando Deep Learning en la actualidad:
 Utilización de imágenes en lugar de palabras clave para buscar productos de
una empresa, o artículos similares.
Identificar marcas y logotipos de empresas en fotos publicadas en redes
sociales.
Monitorización en tiempo real de reacciones en canales online durante el
lanzamiento de productos.
Orientación de anuncios y predicción de las preferencias de los clientes.
Identificación y seguimiento de los niveles de confianza de los clientes, sus
opiniones y actitud en diferentes canales online y servicios de soporte
automatizado al cliente.
Identificación de clientes potenciales.
Detección de fraudes, recomendaciones a clientes, gestión de relaciones con
los clientes, etc.
Mejor comprensión de enfermedades, mutaciones de enfermedades y
terapias genéticas.
Análisis de imágenes médicas, como radiografías y resonancias magnéticas,
aumentando la precisión diagnóstica, en un menor tiempo y con un menor
coste que los métodos tradicionales.
Exploración de la posibilidad de reutilización de fármacos ya conocidos y
probados para su uso contra nuevas enfermedades.
Detección, predicción y prevención de amenazas sofisticadas en tiempo real
en el campo de la ciberseguridad.
Identificación en textos de sentimientos positivos y negativos, temas y
palabras clave.
Localización de caras e identificación de emociones faciales.
Reconocimiento de voz.
Clasificación de vídeos.

El descubrimiento y reconocimiento de patrones en el mundo que nos rodea es un

factor fundamental en los progresos científicos y tecnológicos actuales. La cuestión
ahora es cómo utilizar el Deep Learning para obtener nuevos conocimientos, o para
mejorar lo que se está haciendo... en definitiva, para innovar.

Inteligencia artificial, machine learning y deep learning

Aunque la relación entre inteligencia artificial, machine learning y deep learning
pueda resultar confusa, en realidad basta con tener clara cuál es la correlación que
guardan entre sí. Simplificando mucho, el deep learning es un caso particular de
machine learning, que es a su vez una aplicación de la inteligencia artificial. En la
siguiente infografía abordamos los matices entre unas y otras:
Ventajas del machine learning

Este se trata de un proceso de aprendizaje mucho más guiado y menos

espontáneo. Un ejemplo claro de esta habilidad se puede encontrar en la
categorización de "spam de parte del correo electrónico de un usuario. En sí, es él
mismo quien debe de dar la orden a la máquina para que esta empiece a considerar
como basura determinados mails. Una vez dada la orden, la inteligencia del sistema
permite que esta se cumpla en todo momento y que siga funcionando. Si bien puede
asimilar órdenes complejas, su principal ventaja es que responde muy bien a los
objetivos fijados y por supuesto, que es el usuario el que elige el control del propio
sistema y qué puede hacer este y qué no.

¿Cuál es la diferencia entre ambos?

Explicado de forma simple, tanto el machine learning como el deep learning imitan la

forma de aprender del cerebro humano. Su principal diferencia es, pues, el tipo de
algoritmos que se usan en cada caso, aunque el deep learning se parece más al
aprendizaje humano por su funcionamiento como neuronas. El machine learning
acostumbra a usar árboles de decisión y el deep learning redes neuronales, que
están más evolucionadas. Además, ambos pueden aprender de forma supervisada
o no supervisada.
BIBLIOGRAFIA