HISTORIA DE MACHINE LEARNING

Todo comenzó en el año 1950, machine learning empieza con Alan turing publicando un artículo
muy interesante que lo llamo “ computing machenery and intellegence ” donde también se le
conoce como prueba de turing, era un procedimiento que se le aplicaba a una máquina para
determinar si tenía el mismo conocimiento que el ser humano, en 1952 Arthur Samuel creo el
primer programa de ordenador con la capacidad de aprender, 1956 se creó el campo dela
inteligencia artificial , después que se organizara una conferencia por Martin Minsky y John
McCarthy , 1967 se escribió el primer algoritmo y ahí empezó las computadoras a reconocer los
comandos,1979 se creó un robot con habilidades de moverse evitando cualquier golpe por los
estudiantes de la universidad de Stanford, 1981 se creó normas para ingresar al sistema de un
computador ,para suministrarle datos y el sistema descartara la información con poco valor, 1985
se creó netTalk es un programa donde pronunciaba palabras o texto como el ser humano,1990 se
empezaron a crear programas donde se colocaba información y obtenían resultados según la
información que suministraban, 1997 un ordenador “ Deep blue ” se inventó para jugar ajedrez y
derroto al mejor jugador de ajedrez,2006 el termino “ Deep learning ”explico nuevas redes
neuronales que tenían la capacidad de aprender mejor que modelos planos,2011 un ordenador
derroto a competidores humanos en un concurso estadounidense donde los jugadores escogían
pistas con respuestas ocultas, 2012 se lidero un proyecto llamado Googlebrain, se hizo una red
neuronal empleando como base toda la infraestructura de google para encontrar patrones como
video juegos,2012 se dio el nacimiento de machine learning basados en redes neuronales, 2014 la
red social Facebook desarrollo un software que reconocía a personas igual que un ser humano,
2014 Google adquirió una empresa de inteligencia artificial, se encarga del aprendizaje de las
maquinas, DeepMind estaba construyendo algoritmos de aprendizajes profundos, 2015 la
compañía de Amazon lanza su plataforma de machine learning para implementar la tecnología de
aprendizajes en las máquinas y asistentes que se encargan de los procesos y Microsoft creo el “
Distributed machine learning toolkit ”, 2016 Google DeepMind venció uno de los juegos más
complicado de mesa, el algoritmo realizo movimientos creativos que muchos jugadores
profesionales quedaron sorprendido, en la actualidad machine learning es muy importante para
las grandes empresas, investigadores y estudiantes, con el fin de tener un mayor rendimiento y
mejorar proyectos liderados por las mejores empresas mundiales, ofreciendo al mundo grandes
avances tecnológicos.

Fuente: think big /empresas, luca, telefónica DATAUNIT

Una Breve Historia del Machine Learning - Think Big Empresas Website
https://empresas.blogthinkbig.com/una-breve-historia-del-machine-learning/
 SOFTWARE (HERRAMIENTAS INFORMATICAS)

SPSS-SOFTWARE BASE 13.0

Es un software que ayuda a predecir y resolver de forma estadística problemas o situaciones que
se pueden presentar en los negocios, creando confianzas en sus clientes.

DEEP LEARNING IMPACT

Ayuda a los usuarios a desarrollar códigos abiertos para tener una visión más clara del tiempo
utilizado en el trabajo.

FORECAST PRO
Es un software con hojas de cálculo especialmente para pronosticar.

Fuente: Anon, (2020). [online] Available at: https://www.entrepreneur.com/article/255140

https://www.ibm.com/blogs/systems/mx-es/2017/11/ibm-presenta-nuevo-software-ia-machine-
learning-deep-learning/ [Accessed 1 Mar. 2020].

USOS PARA PRONOSTICAR CON MACHINE LEARNING

Se utilizan los pronósticos para las cadenas de suministro que se pueden traducir en ganancia
igualmente importantes, pudiendo servir a más clientes, rápido y con menos riesgos de
inventarios, el Deep learning está basado en pronostico probabilístico, favorecen la optimización
apoyada sobre una perspectiva probabilística bayesiana con métricas como la entropía cruzada,
proporcionan un amplio rango de valores que son ideal para el descenso estocástico de gradiente.

Fuente : Lokad.com. (2020). El deep learning para pronósticos de cadena de suministro más
precisos. [online] Available at: https://www.lokad.com/es/deep-learning [Accessed 1 Mar. 2020].

PRONOSTICO DE PRECIOS EN EL MERCADO DE VALORES CON REDES NEURONALES

Se propone un modelo basado en redes neuronales artificiales para el pronóstico de los precios de
dos de las principales acciones transadas en mercado de valores de Colombia, el modelo se aplica
al estudio de las acciones de Ecopetrol y Bancolombia, son empresas que negocian en las bolsas
de valores, se procedió a recopilar los datos históricos del precio de las acciones de Ecopetrol y
Bancolombia, la información fue obtenida en el sitio web de la bolsa de valores de Colombia, las
variables de entrada fueron los precios de cierre diario en pesos colombiano y como salida se tiene
el precio a pronosticar para el día siguiente, la red que se utilizo fue el perceptron, uno de los más
utilizado en estos casos, por tener unas neuronas agrupadas en diferentes niveles.
El perceptron multicapa se trata de un algoritmo de aprendizaje supervisado, el proceso de
aprendizaje de la red es equivalente a encontrar un mínimo de la función de erro
Fuente: revista scielo
VILLADA, Fernando; MUNOZ, Nicolás  y  GARCIA, Edwin. Aplicación de las Redes Neuronales al Pronóstico
de Precios en el Mercado de Valores. Inf. tecnol. [online]. 2012, vol.23, n. <https://scielo.conicyt.cl/scielo.php?
script=sci_arttext&pid=S0718-07642012000400003&lng=es&nrm=iso>. ISSN 0718-0764. 
http://dx.doi.org/10.4067/S0718-07642012000400003.

PRONOSTICO DEL TIEMPO ESTUDIO DE FACTIBILIDAD DEL USO DE MACHINE LEARNING CON
MULTIPLES FUENTE DE DATOS

Uruguayo
Se analiza la factibilidad de la utilización de machine learning con pronóstico de tiempo, se
recopila datos de diferentes fuentes, información provista por API, generada por un prototipo de
mini estación meteorológica desarrollado mediante arduino y datos históricos dados por el
instituto uruguayo de meteorología.
Modelo predictivo diseñado, aplicando técnicas y algoritmos de machine learning según las
mediciones de presión, humedad y temperatura se realizan predicciones. Por medio de esta
técnica podemos ver los pronostico del tiempo que se requiere para ser más asertivo.

FUENTE: Fi.ort.edu.uy. (2020). Estudio de factibilidad del uso de Machine Learning con múltiples
fuentes de datos en el pronóstico del tiempo - Universidad ORT Uruguay. [online] Available at:
https://fi.ort.edu.uy/69403/17/estudio-de-factibilidad-del-uso-de-machine-learning-con-multiples-
fuentes-de-datos-en-el-pronostico-del-tiempo.html [Accessed 1 Mar. 2020].

PRONOSTICO DE SERIES TEMPORALES CON REDES NEURONALES EN PYTHON

En este pronóstico observamos desde un archivo de entrada las ventas de años anteriores de una
empresa TEXTIL para determinar las ventas estimadas de la semana siguiente, se creó un nuevo
archivo donde se colocaban columnas de 7 donde se colocan las ventas de los 7 días anteriores y
de salida se colocaban cantidades de ventas en las fecha actual y con estos datos se realizó un
pronóstico aceptable. La empresa textil pronosticaba sus ventas de esta manera.

Pronostico de los viajes en bicicletas en la ciudad de México, se utilizó la información del mes de
octubre sobre los viajes en bicicleta, se utilizó un modelo de series de tiempo (ARIMA estacional)
para determinar cuántas personas utilizaban este medio de transporte.

Fuente: Aprende Machine Learning. (2020). Pronóstico de Ventas con Redes Neuronales – Parte
2. [online] Available at: https://www.aprendemachinelearning.com/pronostico-de-ventas-redes-
neuronales-python-embeddings/ [Accessed 1 Mar. 2020].

Medium. (2020). Modelos de Series de Tiempo en Python. [online] Available at:

https://medium.com/datos-y-ciencia/modelos-de-series-de-tiempo-en-python-f861a25b9677
[Accessed 1 Mar. 2020].