Documentos de Académico
Documentos de Profesional
Documentos de Cultura
00 Intro-0
00 Intro-0
2
1
CSC 411: 01-Introducción
Horas:
Lunes 20:00 a 23:00 (Teoria A/B)
Jueves 20:00 a 22:00 (Lab A)
Website:
3 4
Información del curso Pre-requisitos
● Registrarse con sus nombres y apellidos reales! ● Algebra Lineal: manipulaciones y propiedades de vector/matriz
● Cálculo diferencial: PDE
● La clase utiliza piazza para anuncios y discusiones ● Probabilidad: distribuciones comunes; Regla de Bayes
● Estadísticas: mean, average, median, mode, máximo likelihood
● La web será un buen lugar para interactuar, preguntar, discutir con el instructor, ● Programacion, e.g., Python, R, Matlab
TAs y tus compañeros
https://www.vocabulary.com/articles/chooseyourwords/mean-median-average/
5 6
CSC 411: 01-Introducción
“Pattern Recognition and Machine Learning” by Christopher Bishop (2006) 1. [CS229] Machine Learning -- Andrew Ng
7 8
Sistema de Calificación: F Sistema de Calificación: F
9 10
2. Con apoyo de
● Principios generales
● Técnicas avanzadas de ML Top 10 emerging jobs on LinkedIn and their growth from 2012 to 2017
13 14
https://www.insightdatascience.com/
15 16
AI is the new electricity- Andrew Ng Que se dice de Machine learning?
habilidades para el ML What Artificial Intelligence Can and Can’t Do Right Now
https://hbr.org/2016/11/what-artificial-intelligence-can-and-cant-do-right-now
19 20
What Artificial Intelligence Can and Can’t Do Right Now What Artificial Intelligence Can and Can’t Do Right Now
● After understanding what AI can and can’t do, the next step for ● Datos. Entre los principales equipos de ML, es probable que
executives is incorporating it into their strategies. That means muchos puedan replicar el software de otros en 1-2 años. Pero es
understanding where value is created and what’s hard to copy. extremadamente difícil acceder a los datos de otra persona. Por lo
tanto, los datos, en lugar del software, son la barrera para muchas
● The AI community is remarkably open, with most top researchers empresas.
publishing and sharing ideas and even open-source code. In this
world of open source, the scarce resources are therefore: ● Talento. Simplemente descargar y usar software de código abierto
a sus datos no funcionará. ML debe personalizarse según el
contexto y los datos de su negocio. Es por eso que actualmente
hay una guerra por el escaso talento que puede hacer este trabajo.
21 22
4. Entender Naive Bayes, Gaussian Mixture Models, Hidden Markov Models, matrices de
confusión, curvas receiver-operator, p-values, etc.
5. Dominar las técnicas y algoritmos de ML, como k-NN, Naive Bayes, SVM y Decision Forests.
23 24
¿Cuál es la diferencia entre la inteligencia artificial, el machine
learning y el deep learning?
https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
25 26
27 28
¿Cómo podemos hacer algoritmo de reconocimiento de gatos? ¿Qué es Machine learning?
¿Cómo podemos resolver un problema específico?
¿Cómo podemos resolver un problema específico? ● Podemos escribir un programa que codifica un conjunto de reglas que son útiles
Podemos escribir un programa que codifica un conjunto de reglas que son para resolverlo
útiles para resolverlo ● En muchos casos es muy difícil especificar las reglas,
e.g. Dada las imagenes determinar si hay un gato
29 30
Escribir las reglas para identificar a un gato Usando las reglas, quien no es un gato?
31 32
Definir es difícil; Reconocer es más sencillo ¿Qué es Machine learning?
Tareas que requieren ML: ¿Qué hace que un número sea 2? Tareas que se benefician de ML: ¡Leer el menu en Taiwan!
The MNIST
database
35 36
CSC 411: 01-Introducción
Tareas que se benefician de ML: ¡Cocinar! Por qué utilizar ML?
37 38
CSC 411: 01-Introducción
41 42
25
1
Masa Masa
1
50
50
10
10
¿Pasaré el curso?
Diametro Diametro
43 44
Reconocimiento de monedas de máquinas vendedoras ML es muy útil en muchas tareas
1. Clasificación: Determinar la categoría discreta del ejemplo
2. Reconocimiento de patrones: Reconocimiento de voz y facial, etc.
Masa
Diametro
45 46
https://photomath.net/en/
47 48
ML es muy útil en muchas tareas Ejemplos de Sistemas de Recomendación
1. Clasificación: Determinar la categoría discreta del ejemplo
2. Reconocimiento de patrones: Reconocimiento de voz y facial, etc.
● Filtración colaborativa
3. Sistemas de Recomendación: datos ruidosos, pagos comerciales (e.g., ● Filtrado basado en contenido.
● Sistemas de recomendación
Amazon, Netflix).
híbridos
49 50
CSC 411: 01-Introducción Ene 11, 2016 CSC 411: 01-Introducción Ene 11, 2016
51 52
CSC 411: 01-Introducción Ene 11, 2016
ML es muy útil en muchas tareas Ejemplos de Recuperación de Información
1. Clasificación: Determinar la categoría discreta del ejemplo
2. Reconocimiento de patrones: Reconocimiento de voz y facial, etc.
3. Sistemas de Recomendación: datos ruidosos, pagos comerciales (e.g.,
Amazon, Netflix)
4. Recuperación información: Encontrar documentos o imágenes con
contenido similar
53 54
CSC 411: 01-Introducción CSC 411: 01-Introducción
55 56
CSC 411: 01-Introducción
ML es muy útil en muchas tareas Computer Vision
1. Clasificación: Determinar la categoría discreta del ejemplo
2. Reconocimiento de patrones: Reconocimiento de voz y facial, etc.
3. Sistemas de Recomendación: datos ruidosos, pagos comerciales (e.g.,
Amazon, Netflix)
4. Recuperación de información: Encontrar documentos o imágenes con
contenido similar
5. Computer Vision: Detección, segmentación, estimación de profundidad, flujo
óptico, etc.
57 58
59 60
ML es muy útil en muchas tareas Conducción Autónoma
1. Clasificación: Determinar la categoría discreta del ejemplo
2. Reconocimiento de patrones: Reconocimiento de voz y facial, etc.
3. Sistemas de Recomendación: datos ruidosos, pagos comerciales (e.g.,
Amazon, Netflix)
4. Recuperación de información: Encontrar documentos o imágenes con
contenido similar
5. Computer Vision: Detección, segmentación, estimación de profundidad,
flujo óptico, etc.
6. Robótica: la percepción, la planificación, etc.
61 62
65 66
67 68
Terminologia (Robert Tibshirani) El corazón de un problema de ML
Asumimos que
ML ESTADÍSTICA
1. Existe un patrón en los datos.
1. Network, grafico 1. Modelo
2. Pesos 2. Parametros
2. No podemos especificarlo matemáticamente.
3. Aprendizaje
3. Pero tenemos los datos. (ir con cuidado)
3. Fitting (Ajuste)
4. Generalización 4. Prueba de performancia
5. Aprendizaje supervisado 5. Regresión/Clasificación
6. Aprendizaje no supervisado 6. Estimación de densidad, clustering
7. Grants: $ 1.000.000 7. Grants: $ 50,000
https://www.analyticsvidhya.com/blog/2015/07/difference-machine-learning-statistical-modeling/
69 70
73 74