Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentación
Diapositiva 1
Diapositiva 2
El algoritmo más utilizado para entrenar redes neuronales es el descenso del gradiente. ¿Y qué
es eso del gradiente? El gradiente es un cálculo que nos permite saber cómo ajustar los
parámetros de la red de tal forma que se minimice su desviación a la salida.
Diapositiva 3
• Que es un algoritmo:
o En matemáticas, es un conjunto de instrucciones o reglas definidas y no-
ambiguas, ordenadas y finitas que permite, típicamente, solucionar un
problema.
o Características:
▪ Un algoritmo debe ser preciso: tiene que indicar el orden de
realización de cada paso.
▪ Un algoritmo debe estar definido: Si se sigue un algoritmo dos veces,
se debe obtener el mismo resultado cada vez.
▪ Un algoritmo debe ser finito: el algoritmo se debe terminar en algún
momento; o sea, debe tener un número finito de pasos.
▪ Un algoritmo debe ser legible: El texto que lo describe debe ser claro,
tal que permita entenderlo y leerlo fácilmente.
▪ Un algoritmo debe definir tres partes: Entrada, Proceso y Salida.
o Tipos:
▪ Los cualitativos son aquellos en los que se describen los pasos
utilizando palabras, lo ejecutan las personas.
▪ Los cuantitativos son aquellos en los que se utilizan cálculos numéricos
para definir los pasos del proceso.
• Que es inteligencia artificial:
o La Inteligencia artificial es el campo científico de la informática que se centra
en la creación de programas y mecanismos que pueden mostrar
comportamientos considerados inteligentes. En otras palabras, la IA es el
concepto según el cual “las máquinas piensan como seres humanos”.
o Técnicas principales de la Inteligencia artificial:
▪ Aprendizaje automático:
• Generalmente, el concepto de Aprendizaje automático se
confunde con el de “IA débil”. Es en este campo en donde los
avances más importantes de la IA se están llevando a cabo. En
términos prácticos, “el Aprendizaje automático es la ciencia
que se encarga de hacer que las computadoras realicen
acciones sin necesidad de programación explícita”. La idea
principal aquí es que se les puede proporcionar datos a los
algoritmos de Aprendizaje automático y luego usarlos para
saber cómo hacer predicciones o guiar decisiones.
• Algunos ejemplos de algoritmos de Aprendizaje automático
incluyen los siguientes: diagramas de decisiones, algoritmos
de agrupamiento, algoritmos genéticos, redes Bayesianas y
Aprendizaje profundo.
▪ Aprendizaje profundo:
• ¿Recuerda cuando Google anunció un algoritmo que
encontraba videos de gatos en YouTube? Pues bien, esto es
Aprendizaje profundo, una técnica de Aprendizaje automático
que utiliza redes neuronales (el concepto de que las neuronas
se pueden simular mediante unidades computacionales) para
realizar tareas de clasificación (piense en clasificar una imagen
de un gato, de un perro o personas, por ejemplo).
• Algunos ejemplos de aplicaciones prácticas del
Aprendizaje profundo son las siguientes: identificación
de vehículos, peatones y placas de matrícula de
vehículos autónomos, reconocimiento de imagen,
traducción y procesamiento de lenguaje natural.
▪ Descubrimiento de datos inteligentes:
• Es el próximo paso en soluciones de IE (Inteligencia
empresarial). La idea consiste en permitir la automatización
total del ciclo de la IE: la incorporación y preparación de datos,
el análisis predictivo y los patrones y la identificación de
hipótesis. Este es un ejemplo interesante de la recuperación
de datos inteligentes en acción. La información que ninguna
herramienta de IE había descubierto.
▪ Análisis predictivo:
• Piense en ese momento en el que está contratando un
seguro para auto y el agente le hace una serie de
preguntas Estas preguntas están relacionadas a las
variables que influyen en su riesgo. Detrás de estas
preguntas se encuentra un modelo predictivo que
informa sobre la probabilidad de que ocurra un
accidente con base en su edad, código postal, género,
marca de auto, etc. Es el mismo principio que se
emplea en los modelos predictivos de crédito para
identificar a los buenos y malos pagadores. Por lo
tanto, el concepto principal de análisis predictivo (o
modelado) significa que se puede utilizar un número
de variables (ingresos, código postal, edad, etc.)
combinadas con resultados (por ejemplo, buen o mal
pagador) para generar un modelo que proporcione una
puntuación (un número entre 0 y 1) que representa la
probabilidad de un evento (por ejemplo, pago,
migración de clientes, accidente, etc.).
• Los casos de uso en los negocios son amplios: modelos de
crédito, modelos de segmentación de clientes (agrupamiento),
modelos de probabilidad de compra y modelos de migración
de clientes, entre otros.
o Donde se aplica:
▪ Subcontratación de procesos empresariales
▪ Servicios financieros
▪ Salud
▪ Seguros
▪ Ciencias naturales
▪ Fabricación
▪ Sector público
▪ Telecomunicaciones
o Beneficios:
▪ Reduce errores humanos, eso significa que no se necesita una revisión
y que el cumplimiento es casi perfecto.
▪ Integra las distintas plataformas, funcionan con cualquier aplicación.
▪ La IA permite la automatización integral de los procesos a alta
velocidad
• Redes neuronales:
o es un modelo simplificado que emula el modo en que el cerebro humano
procesa la información: Funciona simultaneando un número elevado de
unidades de procesamiento interconectadas que parecen versiones abstractas
de neuronas.
Diapositiva 4
Explicación profunda del tema
El algoritmo cuenta con varias versiones dependiendo del número de muestras que
introduzcamos a la red en cada iteración:
Diapositiva 5
Descenso del gradiente en lotes (o batch): todos los datos disponibles se introducen de una
vez. Esto supondrá problemas de estancamiento, ya que el gradiente se calculará usando
siempre todas las muestras, y llegará un momento en que las variaciones serán mínimas.
Como regla general: siempre nos conviene que la entrada a una red neuronal tenga algo de
aleatoriedad.
Diapositiva 6
Descenso del gradiente estocástico: se introduce una única muestra aleatoria en cada
iteración. El gradiente se calculará para esa muestra concreta, lo que supone la introducción
de la deseada aleatoriedad, dificultando así el estancamiento. El problema de esta versión es
su lentitud, ya que necesita de muchas más iteraciones, y además no aprovecha los recursos
disponibles.
Diapositiva 7
Diapositiva 8
Diapositiva 9
Los 5 pasos del algoritmo
Referencias
• https://www.salesforce.com/mx/blog/2017/6/Que-es-la-inteligencia-artificial.html
• https://es.wikipedia.org/wiki/Algoritmo
• https://www.ibm.com/support/knowledgecenter/es/SS3RA7_sub/modeler_mainhelp
_client_ddita/components/neuralnet/idh_neuralnet_basics.html
• https://medium.com/metadatos/todo-lo-que-necesitas-saber-sobre-el-descenso-del-
gradiente-aplicado-a-redes-neuronales-19bdbb706a78