Universidad Tecnológica

de Santa Catarina

Unidad de aprendizaje: Extracción de Conocimiento

en Bases de Datos

Nombre de la actividad: Análisis comparativo de

inteligencia artificial, machine learning, data mining y big data

Alumno: Luis Gerardo Olvera Galván

Matrícula: 16438 Grupo: D

Cuatrimestre: 9

Nombre del maestro: Mónica Janeth Rodríguez Reyna

Santa Catarina, Nuevo León a 05 de mayo 2022

 INDICE

¿Qué es el big data?............................................................................3

¿Pero qué es el big data?....................................................................3

¿Qué es el Machine Learning?...........................................................4

¿Cómo se diferencia el big data del machine learning y deep

learning?...............................................................................................5

¿Cómo se relaciona el big data con machine learning y deep

learning?...............................................................................................6

Ejemplo de la relación entre big data y machine learning………….7

CONCLUSION……………………………………………………………….8
¿Qué es el big data?
La consultora IDC pronostica que, para el año 2020, el valor del mercado del big
data llegue hasta los 202 mil millones de dólares.

¿Pero qué es el big data?

El big data se refiere, básicamente, a cantidades masivas de datos digitales cuyo
procesamiento resulta imposible para los sistemas informáticos convencionales.
Por lo tanto, dicho procesamiento solo se puede hacer mediante técnicas y
sistemas especiales para el big data.

Esta complejidad se debe a las tres principales características de este tipo de

datos, las cuales se conocen como “las 3 V del big data”:

• Volumen: la cantidad de datos es enorme, una empresa puede llegar a

recolectar de petabytes (1 millón de Gb) o exabytes (1 mil millones de Gb)
de información.

• Velocidad: los datos se producen de manera extremadamente rápida, a

cada segundo se están generando grandes cantidades de estos.

• Variedad: los datos son complejamente heterogéneos. Tienen distintos

formatos, tamaños, tipologías, estructuras y provienen de múltiples fuentes.

Combinar técnicas de big data con machine Learning es la mejor manera para
procesar estas 3 V.
¿Qué es el Machine Learning?

El machine learning (ML) o aprendizaje automático es una técnica dentro del área
de la inteligencia artificial (IA) que busca dotar a las computadoras con la
capacidad de “aprender”, tal y como lo hace una persona.

En este sentido, un algoritmo de machine learning desarrolla la capacidad de

modificarse a sí mismo con el fin de adaptarse a los datos que está procesando. El
objetivo de ello es poder resolver un problema computacional por su propia
cuenta.

Dicho “problema” puede consistir en encontrar patrones ocultos de

comportamiento o en ejecutar tareas complejas de forma automática. Así, un
sistema con big data y machine learning puede captar problemas con los datos y
al mismo tiempo resolverlos.
¿Cómo se diferencia el big data del machine
learning y deep learning?
Entendiendo los tres conceptos que hemos visto anteriormente, tenemos que las
principales diferencias entre big data, machine learning y deep learning son:

• El big data extrae y procesa grandes cantidades de datos muy complejos

para luego organizarlos, con la finalidad de facilitar su consulta por parte de
personas y programas. Sin embargo, el big data no realiza ningún tipo de
análisis inteligente sobre ellos.

• El machine learning ejecuta análisis inteligentes sobre grandes cantidades

de datos para encontrar patrones y tendencias, con la finalidad de apoyar
las decisiones de negocio. Sin embargo, el machine learning no extrae ni
procesa los datos para aplicarles orden.

• El deep learning utiliza los datos para aprender de ellos sin intervención
humana, con la finalidad de automejorar el sistema y el algoritmo. Sin
embargo, el deep learning tampoco extrae ni procesa los datos para
disponibilizar su consulta.

En síntesis, mientras el big data se preocupa por las fuentes de datos y la

naturaleza de estos, el aprendizaje automático y el profundo se ocupan es de los
análisis y del aprendizaje computacional. Esta es la mayor diferencia entre big
data, machine learning y deep learning.
¿Cómo se relaciona el big data con machine
learning y deep learning?
La relación del big data con machine learning y deep learning se produce a raíz de
sus mismas diferencias. Es decir, aquello que los diferencia es el mismo motivo
por el cual se complementan como técnicas informáticas.

En este sentido, tenemos que:

• El big data extrae y procesa los datos para disponibilizarlos ante los
algoritmos de machine learning. Se puede decir que el big data es la fuente
de ingesta de datos para el ML y DL.

• El machine learning toma los datos procesados por el big data y los analiza
para generar insights de negocio o aprender a realizar ciertas tareas
automáticamente.

• El deep learning ingiere los datos más importantes del big data para
aprender sobre ellos a niveles mucho más profundos y para realizar tareas
más complejas.
Ejemplo de la relación entre big data y machine
learning
De la combinación entre big data y machine learning (y a veces deep learning)
surge la disciplina del Big Data Analyst. Esta consiste, precisamente, en el
análisis inteligente de grandes cantidades de datos en tiempo real.

Por ejemplo, grandes empresas como Google, Facebook, Amazon, eBay,

Netflix, Spotify, entre muchas otras utilizan técnicas de big data para extraer y
procesar datos de los usuarios en cuanto a:

• Términos de búsqueda.

• Contenidos solicitados.

• Niveles de interacción (me gustas, shares, guardados, comentarios,

etc.).

• Horarios de uso.

• Dispositivos de conexión.

Luego, a todo este tipo de datos, aplican técnicas de inteligencia artificial como
el machine learning para:

• Encontrar hábitos de consumo y patrones de comportamiento.

• Predecir tendencias.

• Detectar necesidades no satisfechas.

• Recomendar productos de manera personalizada.

 CONCLUSION
El ser humano procesa un numero muy limitado de variables para tomar una
decisión racional. Cuando nos enfrentamos a un problema complejo que excede
nuestra capacidad de razonamiento.

Las mejores decisiones son, a menudo, inconscientes y se toman guiadas por la

intuición.

Con el aprendizaje automático esta limitación desaparece: las decisiones optimas

vuelven a ser las decisiones racionales.