3 CIENCIA DE DATOS

La ciencia de los datos es un subconjunto de la IA que se refiere más a las áreas

superpuestas de las estadísticas, los métodos científicos y el análisis de datos, que se
utilizan todas para extraer significado y conocimientos de los datos.

¿Dónde se aplica la ciencia de datos?

En el sector de la energía, la Ciencia de Datos se aplica a diferentes áreas,
como la del mantenimiento predictivo de sus instalaciones e infraestructuras y
redes de distribución, o la previsión de consumo, para programar las tareas de
generación energética.

El Científico de Datos o Data Scientist es un perfil profesional que traduce los grandes
volúmenes de información disponibles conocidos como Big Data. Provienen de todo
tipo de fuentes de información masivas y las convierten en respuestas

¿Cómo iniciar en la ciencia de datos?

Los pasos que yo recomiendo para adentrarse en la ciencia de datos son
los siguientes:
1. Aprender la programar en R o Python. ...
2. Aprender lo básico de SQL y estadística. ...
3. Conocer algoritmos de aprendizaje automático y empezar a
programarlos, usando datos abiertos públicos, competiciones, etc.
Regresión lineal
La regresión lineal múltiple permite generar un modelo lineal en el
que el valor de la variable dependiente o respuesta (YY) se
determina a partir de un conjunto de variables independientes
llamadas predictores (X1X1, X2X2, X3X3…). Es una extensión de
la regresión lineal simple, por lo que es fundamental comprender esta
última. Los modelos de regresión múltiple pueden emplearse para
predecir el valor de la variable dependiente o para evaluar la
influencia que tienen los predictores sobre ella (esto último se debe
que analizar con cautela para no malinterpretar causa-efecto).
Regresión logística

CLUSTERING
4 DEEP LEARNING

¿Qué significa deep learning?

El Deep Learning lleva a cabo el proceso de Machine Learning usando una
red neuronal artificial que se compone de un número de niveles jerárquicos. En
el nivel inicial de la jerarquía la red aprende algo simple y luego envía esta
información al siguiente nivel.

¿Cuáles son los 3 paradigmas de aprendizaje dentro de machine learning?

Los paradigmas en el aprender del aprendizaje automático
 Aprendizaje supervisado.
En aprendizaje automático y minería de datos, el aprendizaje supervisado es una
técnica para deducir una función a partir de datos de entrenamiento. Los datos de
entrenamiento consisten de pares de objetos (normalmente vectores): una
componente del par son los datos de entrada y el otro, los resultados deseados.
 Aprendizaje no supervisado.
Aprendizaje no supervisado es un método de Aprendizaje Automático donde
un modelo se ajusta a las observaciones. Se distingue del Aprendizaje
supervisado por el hecho de que no hay un conocimiento a priori. En
el aprendizaje no supervisado, un conjunto de datos de objetos de entrada es
tratado.
 Aprendizaje de refuerzo.
¿Cómo podemos aplicar la inteligencia artificial a las empresas?
La optimización de la gestión empresarial depende de la Inteligencia
Artificial
1. Planificación. Identificar objetivos. ...
2. Organización. ¿Quién va a realizar cada una de las actividades? ...
3. Dirección. Motivar a los empleados a cargo. ...
4. Control. Supervisar el trabajo que se está realizando para detectar
problemas a tiempo.
¿Qué tipo de aprendizaje es el q learning?
Q-Learning es un método de Aprendizaje por Refuerzo que permite
resolver problemas de decisión secuencial en los cuales la utilidad de
una acción depende de una secuencia de decisiones y donde además
existe incertidumbre en cuanto a las dinámicas del ambiente en que está
situado el agente.

REDES NEURONALES

5 FABRICAS INTELIGENTES

¿Qué son las fábricas inteligentes?

Fabricación Inteligente se ha definido como los sistemas de fabricación
colaborativos totalmente integrados que responden en tiempo real para
satisfacer las demandas y condiciones cambiantes en la fábrica, en la red de
suministro y en las necesidades del cliente
RAPIDMAINER

REGRESION LINEAL