1

2
Hitos
 3
Hitos
 4
Hitos
 5
Hitos
 6
Hitos

“Inteligencia Artificial es el campo de la ciencia de “Inteligencia Artificial es el estudio de cómo hacer

la computación dedicada a la automatización del que los computadores hagan tareas en las cuales,
comportamiento inteligente” hasta ahora, las personas son mejores en hacerlas”
(Luger & Stubblefield, 1992) (Rick & Knight, 1991)

“Inteligencia Artificial es el proyecto y estudio de

“Inteligencia Artificial es el proceso de construir
programas computacionales que se comportan de
un conocimiento inteligente”
forma inteligente”
(Ginsbug, 1992)
(Dean, Allen, Aloinons, 1995)
 7
Hitos

Sistemas que piensan Sistemas que piensan

como humanos racionalmente

Sistemas que actúan Sistemas que actúan

como humanos racionalmente

Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited.
 8
Hitos
•

•
 9
Hitos

•
 10
Hitos

•
 11
Hitos
 12
Hitos
 13
Hitos
 14
Hitos
 15
Hitos

•
 16
Hitos

FASE DE
ENTRENAMIENTO

FASE
DE USO

PROVOST, Foster y FAWCETT, Tom (2013) Data Science for Business: What You Need to Know about Data Mining and
Data-Analytic Thinking. 1ra. ed. USA: O’Reilly Media, Inc.
 17
Hitos

•
 18
Hitos

PROVOST, Foster y FAWCETT, Tom (2013) Data Science for Business: What You Need to Know about Data Mining and
Data-Analytic Thinking. 1ra. ed. USA: O’Reilly Media, Inc.
 19
Hitos Cigarra
s
Se tiene una colección de datos de 10
insectos. En este caso 5 datos de cigarras y 5
de saltamontes.
En base a la información de esta colección de
datos ¿A qué tipo de insecto corresponde la
siguiente imagen? Saltamont
e

¿Cigarra or
Saltamontes?

Ejemplo tomado de la presentación del Dr Eamonn Keogh, A Gentle Introduction to Machine Learning and Data Mining for
the Database Community, University of California - Riverside
 20

Para cualquier dominio de interés, se debe

medir las características (features) de cada
individuo
Color {Verde, Marrón, Gris, Otro}

Longitud del Longitud

abdomen del Tórax
Longitud de
las antenas

Tamaño de la
¿Tiene alas?
mandíbula

Diámetro del
espiráculo Longitud de las
piernas
Ejemplo tomado de la presentación del Dr Eamonn Keogh, A Gentle Introduction to Machine Learning and Data Mining for
the Database Community, University of California - Riverside
 Id. del Longitud de Longitud de Clase de insecto 21
Se pueden Hitos Abdomen
Insecto la Antena
almacenar estas
1 2.7 5.5 Saltamonte
características en
2 8.0 9.1 Cigarra
una base de datos
El problema puede ser 3 0.9 4.7 Saltamonte

expresado como: 4 1.1 3.1 Saltamonte

5 5.4 8.5 Cigarra
Dada la base de 6 2.9 1.9 Saltamonte
entrenamiento, predecir 7 6.1 6.6 Cigarra
la clase de una instancia 8 0.5 1.0 Saltamonte
previamente no conocida 9 8.3 6.6 Cigarra
10 8.1 4.7 Cigarra

instancia no conocida previamente 11 5.1 7.0 ???????

=
Ejemplo tomado de la presentación del Dr Eamonn Keogh, A Gentle Introduction to Machine Learning and Data Mining for
the Database Community, University of California - Riverside
 Saltamont Cigarra 22
es Hitos s
10
9
8

Longitud dela antena

7
6
5
4
3
2
1

1 2 3 4 5 6 7 8 9 10
Longitud del abdomen

Ejemplo tomado de la presentación del Dr Eamonn Keogh, A Gentle Introduction to Machine Learning and Data Mining for
the Database Community, University of California - Riverside
 Saltamont Cigarra 23
es Mientras más datos se tenga más s
precisión se tendrá en la respuesta

10
9
8

Longitud dela antena

7
6
5
4
3
2
1

1 2 3 4 5 6 7 8 9 10
Longitud del abdomen

Ejemplo tomado de la presentación del Dr Eamonn Keogh, A Gentle Introduction to Machine Learning and Data Mining for
the Database Community, University of California - Riverside
 24
Hitos

•
PROVOST, Foster y FAWCETT, Tom (2013) Data Science for Business: What You Need to Know about Data Mining and
Data-Analytic Thinking. 1ra. ed. USA: O’Reilly Media, Inc.
 25
Hitos

Imagen tomada de http://sphweb.bumc.bu.edu/otlt/MPH-Modules/BS/BS704-EP713_MultivariableMethods/

 26
Hitos

PROVOST, Foster y FAWCETT, Tom (2013) Data Science for Business: What You Need to Know about Data Mining and
Data-Analytic Thinking. 1ra. ed. USA: O’Reilly Media, Inc.
 27
Hitos

AGRUPAMIENTO

Imagen tomada de http://arun-aiml.blogspot.com/2017/07/k-means-clustering.html

 28
Hitos

PROVOST, Foster y FAWCETT, Tom (2013) Data Science for Business: What You Need to Know about Data Mining and
Data-Analytic Thinking. 1ra. ed. USA: O’Reilly Media, Inc.
 29
Hitos
 30
Hitos

Imágenes tomadas de
https://www.informatica.com/kr/products/data-quality/data-as-a-service/consumer-data-enrichment.html,
 31
Hitos

Imágenes tomadas de https://www.slideshare.net/brianjlange/machine-learning-in-5-minutes-classification,

https://www.mathworks.com/matlabcentral/fileexchange/42541-association-rules
 32
Hitos

Imágenes tomadas de http://machine-learning-class-notes.readthedocs.io/en/latest/lecture16.html,

https://blog.clickfox.com/can-customer-journey-retention-be-automated-by-machine-learning
 33
Hitos

Imágenes tomadas de
https://laptrinhx.com/topic/1315/natural-language-processing-maximum-entropy-modeling-algorithm-and-sentiment-ana
Gracias

34