Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD AUTÓNOMA DE YUCATÁN Facultad de ingeniería Métodos numéricos El futuro de las máquinas inteligentes, una cuestión numérica Contenido Resumen ................................................................................................................. 2 Introducción ............................................................................................................. 3 Las computadoras y la optimización de los procesos ............................................. 5 La inteligencia artificial actual .................................................................................. 5 Inteligencia artificial débil ..................................................................................... 6 Inteligencia artificial fuerte ................................................................................... 6 El aprendizaje y las computadoras .......................................................................... 6 Tipos de aprendizaje ........................................................................................... 7 Supervisado ..................................................................................................... 7 No supervisado ................................................................................................ 8 El Machine Learning ................................................................................................ 9 Algoritmos de Machine Learning ...................................................................... 9 Deep Learning (Aprendizaje profundo) .............................................................. 10 Usos reales del Machine Learning y Deep Learning ...................................... 10 Modelos para representar la realidad .................................................................... 10 La regresión lineal y los mínimos cuadrados......................................................... 11 Regresión lineal simple ...................................................................................... 11 Mínimos cuadrados ........................................................................................... 13 Resolviendo de forma manual ........................................................................ 13 Conclusiones ......................................................................................................... 15 Referencias ........................................................................................................... 17 Resumen El presente documento busca informar acerca de como el desarrollo de la Inteligencia Artificial durante se ve influenciado por las matemáticas, pero más concretamente, por los métodos numéricos. Cuando estudias el desarrollo de Inteligencia Artificial desde el inicio, te darás cuenta de que las técnicas usadas tanto para análisis como para el desarrollo de este están muy estrechamente relacionadas con una fuerte teoría matemática, pero además también se muestra una relación entre cómo los modelos matemáticos llegan incluso a explicar fenómenos sociales como el aprendizaje, los tipos de aprendizaje y cómo cada uno de ellos puede ser traducido a un lenguaje matemático que logre ser entendible para algo tan poco inteligente como una computadora, y así lograr que un ser inanimado logre desarrollar una de las capacidades humanas, dejando para otro momento el debate ético entre máquina-ser. Introducción La inteligencia, es una cualidad que diferencia a los seres humanos de muchas otras especies. Ser capaces de tomar decisiones en miles de situaciones diferentes es algo, que para nosotros incluso suena sencillo, sin embargo, al adentrarnos en el reino animal nos permite encontrar que nosotros somos únicos en cuanto a este aspecto, se ha encontrado que ciertos animales poseen una inteligencia mayor, como los delfines o los chimpancés, incluso, en la era moderna, decimos que tenemos teléfonos inteligentes, pero ¿qué es la inteligencia en verdad?, ¿cómo podemos decir que cierta especie es más inteligente qué otra? ¿acaso un teléfono es en verdad inteligente? La inteligencia es una cualidad que nos permite entender, razonar, tomar decisiones y aprender, este último, es una cualidad muy importante, pues la inteligencia y el aprendizaje van de la mano, aprender te hace más inteligente, y por ello el ser humano es más inteligente, porque su capacidad de aprendizaje es mayor que la de otras especies. Las computadoras o teléfonos son inteligentes, o así han sido denominadas, porque ante una situación específica logran entender la situación y decidir qué hacer ante eso. Tu teléfono, por ejemplo, al colocar tu huella digital o tu pin sabe que debe desbloquearse, o en Windows, cuando algún antivirus detecta una amenaza y te notifica o lo elimina inmediatamente. Sin embargo, la inteligencia que una computadora o teléfono consiguen no son ni de cerca una inteligencia como la del ser humano, y de hecho, carecen de cualidades importantes como las de decisión y razonamiento. El ser humano, ha obtenido logros increíbles durante toda su historia, su capacidad de inteligencia lo ha llevado a comprender el mundo no solo de manera física y comprobable, sino también más allá de eso, hemos comprendido fenómenos de los cuáles no se tenía siquiera la certeza de que existieran o que fueran como eran descritos, como los agujeros negros o la expansión del universo. Una gran parte de estos fenómenos logran ser descritos de una manera matemáticas, sin embargo, el universo es tan basto que la mayor parte de los fenómenos existentes no poseen una explicación concreta y lo único que se tiene son aproximaciones de cómo podría ser. Existe un área especializada que presume encontrar soluciones aproximadas a lo que los demás no pueden, los métodos numéricos juegan un papel fundamental en la descripción de fenómenos cuyas respuestas no son conocidas aún, pero de la cual se puede otorgar una aproximación. A pesar de que el ser humano es un ser sumamente inteligente, todo lo que sabe le ha tomado miles de años de investigación, por ello, muchos tópicos llegan a ser descritos por muchas personas a lo largo de la historia, en su afán de progreso, se ha topado con una barrera impasable, el tiempo, somos tan efímeros para el universo, como para nosotros lo es un destello de luz. Además de que no dejamos de ser simples humanos y como tal, nos cansamos y necesitamos reponernos. Las computadoras llegaron para remediar estos últimos puntos, pues no se cansan, no necesitan hacer nada más de lo que tú les ordenes, sin embargo, no todo es miel sobre hojuelas, las computadoras no se cansan, pero tampoco piensan, no como lo hace un ser humano. Aunque parezca que todo lo anterior dicho es una ensalada de ideas aleatorias, en realidad, a la relación que queremos llegar es bastante concreta, el aprendizaje y los métodos numéricos (ciertos métodos) poseen una relación bastante más estrecha de lo que podrías creer, y no acaba ahí, pues todo esto culmina en que el ser humano quiere extender esta relación a lo que posiblemente es una de las “armas” más poderosas de la actualidad, las computadoras. Las computadoras y la optimización de los procesos Las computadoras, no son más que otra de las herramientas que el hombre utiliza para optimizar su tiempo, pues como sabemos, el hombre vive una cantidad de tiempo ridícula para ciertas cosas. Existen ciertos procesos que al hombre le tomarían más de una vida para poder concretar y una computadora podría hacerlo en unos cuantos minutos. Además, un ser humano es un conglomerado de algo más que repetir un proceso, pues se cansa, duerme, come, y requiere de muchas otras cosas esenciales para vivir, una computadora, no duerme, no se cansa o come. Cuando las primeras computadoras/máquinas fueron comercializadas e implementadasla gente temía que todos los trabajadores fueran reemplazados con máquinas, pero había algo que una computadora/máquina no podía hacer y por ello siempre se requería de personal humano, las computadoras no pensaban. A pesar de que las máquinas son herramientas vitales hoy día para optimización de recursos, tiempo y toda clase de cosas, no son más que una serie de procesos repetitivos que carecen de razonamiento o aprendizaje, simplemente hace lo que se les fue programado. Si una computadora está diseñada para separar blanco de negro, cuando le muestres un color distinto, posiblemente no sepa que hacer y simplemente no haga nada, o falle, cuando una persona, posiblemente ante eso, podría hacer muchas cosas distintas, generar una nueva clasificación, desechar el valor distinto, colocarlo en el más similar, etc. Esta cualidad es la que aún nos hace imprescindibles en una compañía, pues las computadoras carecen de algo que el ser humano posee, la inteligencia y la capacidad de aprender. Sin embargo, las computadoras que aprenden no están tan lejos de ser una realidad. La inteligencia artificial actual La inteligencia artificial (IA) es una “subdisciplina del campo de la informática, que busca la creación de máquinas que puedan imitar comportamientos inteligentes”, y de hecho, en la actualidad hay muchas máquinas que imitan estos comportamientos de manera bastante precisa, por ejemplo, máquinas que conducen solas, que juegan ajedrez o que incluso que limpian pizarras. Estas máquinas y muchas otras, muchas veces superan al ser humano en esa misma tarea, pero hay algo que no las vuelve tan útiles, si tomas esa máquina y la colocas a hacer una tarea distinta, muy seguramente esta no consiga absolutamente nada, debido a que no fue diseñada para eso y no posee una capacidad de aprendizaje. Inteligencia artificial débil Como se mencionó anteriormente, las IA actuales son capaces de imitar comportamientos concretos o un conjunto de ellos, pero siempre algo limitado, esto define a una IA débil, aquellas cuyas capacidades están en un entorno cerrado y no podrían realizar nada fuera de ello. Hoy día, todas las IA están en esta clasificación. Inteligencia artificial fuerte Las IA fuertes son aquellas cuyas capacidades van más allá de una limitada programación de ciertas tareas y que logran incluso realizar tareas en las cuales nunca antes habían estado presentes. En pleno 2021, las IA fuertes únicamente existen en películas de ciencia ficción o situaciones ficticias, son comúnmente representadas, por ejemplo, como humanos robots, como en Yo Robot, o como inteligencias capaces de realizar muchísimas cosas como lo son Jarvis de Iron Man, Wall-E o T-800 en Terminator. El aprendizaje y las computadoras El aprendizaje es algo natural que todo ser humano experimenta a lo largo de su vida, en ocasiones es más complicado que en otras, pero aprender siempre nos hace más inteligentes, porque permite ampliar nuestros conocimientos y poder enfrentar diferentes situaciones con lo que ya conocemos, y esto es importante de recalcar, aprender no solo ayuda en el presente, ayuda a futuro igualmente, a predecir o razonar que podría suceder de acuerdo con lo que hemos aprendido con anterioridad. Actualmente, las computadoras no poseen una capacidad de aprendizaje como tal, sino que es un conjunto de herramientas que logran emular un aprendizaje para obtener cada vez mejores resultados. Tipos de aprendizaje Relacionar sucesos, cosas, números, formas o cualquier cosa, puede ser un proceso de análisis, pero también es una forma de aprender. Esto nos dirige hacia algo, ¿cómo es posible relacionar las cosas? El aprendizaje se ha dividido en subgrupos, los cuales todos conllevan al mismo camino, el cual es, valga la redundancia, a aprender. Supervisado El aprendizaje supervisado es la capacidad de relacionar dos variables, una de entrada y una de salida, y conforme a lo que ya se conocía con anterioridad, se pueden deducir, clasificar o generar incluso nueva información. Por ejemplo, una sucesión matemática como la siguiente. 1, 2, 4, 8, 16, … ¿qué número sigue? De manera analítica, observas que el nuevo dígito es el doble que el anterior, entonces, tú sin conocer nada más que una variable de entrada (el primer dígito) y los datos sucesivos (la variable de salida o nuevo dígito) puedes incluso generar nuevos términos para la sucesión. Esta forma de aprender tiene sus ventajas y desventajas. Una de las principales ventajas es que es “fácil”, pues con poseer cierta información puedes generar nueva, sin embargo, eso mismo, es su talón de Aquiles, pues mientras mayor sea la información que conozcas, más precisa será la respuesta, pero esos datos, de una u otra forma deben ser generados de manera manual. En la vida real, este aprendizaje es usado muy ampliamente en un entorno informático, sobre todo porque es sencillo y obtiene buenos resultados, si le muestras a una computadora los datos correctos, la computadora será capaz de aprender de eso y generar nueva información. Este tipo de aprendizaje es, por ejemplo, el que se usa para separar en un correo el spam del correo importante o en algunos softwares de detección de imágenes. No supervisado De manera lógica, se puede deducir que el aprendizaje no supervisado es lo contrario al supervisado y efectivamente, así lo es, pero ¿cómo es posible encontrar una relación donde aparentemente no la hay? Un ejemplo bastante claro es utilizado para clasificación, por ejemplo si se te otorga una sopa de letras, muchas letras diferentes, y te pidiera, sin decirte nada más, que encuentres relación entre ellas. Algo bastante sencillo sería, por ejemplo, clasificar todas las letras iguales juntas, todas las “a” con las “a”, las “b” con las “b” y así sucesivamente. Sin embargo, puede que esto no sea la única solución, quizá alguien las agrupa por aquellas que son rectas y aquellas que poseen algún “orificio”, la “i” con la “l” y la “k”, luego la “a” con la “o” y la “d”, y nadie podría decir que alguno de los dos es incorrecto, puesto que nadie sabe la relación real, aunque a priori esto parece incluso poco coherente, esta forma de aprendizaje, en computadoras, es bastante común y para algunos expertos del área, esto es en realidad el futuro de las computadoras realmente inteligentes. Aunque parezca que esto sería más difícil para una computadora de aprender, han sido muchos los programas que han obtenido buenos resultados a partir de este método de aprendizaje. Por ejemplo, el ejemplo que se dio anteriormente de las letras, en la actualidad existe software de análisis de texto que usan este tipo de aprendizaje para diferencias letras, números, símbolos o caracteres. Aunque este tipo de aprendizaje puede ser reemplazado por el anterior, este cuenta con una ventaja importantísima que es la de datos concretos, pues no necesitas recolectar cientos de miles de datos para enseñarle a tu IA, con una menor cantidad, la prueba y el error, puedes conseguir resultados increíbles. Como una IA que detecta rostros humanos y que puede generar rostros a partir de lo que ha aprendido. El Machine Learning Aunque ya hemos mencionado que las computadoras pueden aprender, este aprendizaje está limitado por lo que antes se ha llamado una inteligencia artificial débil, pues muchas máquinas pueden aprender cosas concretas, pero no logran pensar fuera de la caja y se quedan estancadas en cosas muy concretas. Aquí es donde entra el Machine Learning (aprendizaje automático). El Machine Learning “es la rama de la inteligencia artificial, que busca cómo dotar a las máquinas de la capacidad de aprendizaje”, todo esto está relacionado con los métodos de aprendizaje anterior, pues a través del machine learning se pretende que una computadora a través de experiencias previas desarrollecapacidades de aprendizaje supervisado o no supervisado para así generar nuevo conocimiento y la capacidad de realizar cada vez más diversas tareas. Las IA, como se mencionó, buscan imitar comportamientos inteligentes, estos pueden ser, como hemos visto por que fueron diseñadas para realizar eso en específico o aún mejor, porque ellas mismas aprendieron a realizarlo (machine learning). Entre las técnicas usadas para el machine learning se encuentra muchas y muy variadas: o Árboles de decisión o Modelos de regresión o Modelos de clasificación o Técnicas de clusterización o Redes neuronales Algoritmos de Machine Learning Estas técnicas poseen algoritmos y son divididas en grupos de aprendizaje supervisado y no supervisado. Algunos algoritmos son: • K vecinos más próximos • Regresión lineal • Regresión logística • Máquinas de vector soporte • Clasificadores Bayesianos • Árboles de decisión y Bosques aleatorios • Redes neuronales • Deep Learning Algunos algoritmos de aprendizaje No supervisado: • K medias • Análisis de componentes principales • Detección de anomalías Deep Learning (Aprendizaje profundo) El Deep Learning consiste en llevar los procesos de Machine Learning a una red neuronal artificial que emulan de manera simple el funcionamiento de un sistema nervioso, lo que genera procesos de aprendizaje jerarquizado de menor a mayor complejidad. Usos reales del Machine Learning y Deep Learning • Reconocimiento de imágenes. Rostros, animales, flores, etc. • Reconocimiento de voz. Traductores, voz a texto, Alexa, Siri, Google Home. • Clasificación. Correos (Importante y spam), algoritmo de YouTube, etc. • Predicción/Finanzas. Precios de inmuebles, coches, precios de bolsa, etc. • Segmentación de audiencia: algoritmo de YouTube/Google/Amazon, etc. • Videojuegos. Crear personajes que interactúen de manera natural con el entorno (NPC) • Conducción autónoma de vehículos • Salud. Predicción de una enfermedad de acuerdo con ciertos síntomas. Modelos para representar la realidad El ser humano ha sentado una de las bases más importantes del progreso en los modelos. Los modelos son formas de representar la realidad mediante variables distintas las cuales todas guardan una relación. Por ejemplo, una función matemática f(x) que define las ganancias de una empresa en función de cuantos productos vende. Este es un modelo muy simple y la realidad con frecuencia no es así, por ello, existen muchos modelos para representar miles de fenómenos que cuentan en ocasiones con miles de variables, aquí es donde entra en juego una máquina, pues manejar muchos datos no resulta una tarea tan difícil para ella. Muchas veces estos modelos no pueden ser todos generados por el ser humano y por ello, una de las áreas del Machine Learning es la creación de modelos que representen cosas reales a partir de cierta información ya conocida, las computadoras como herramientas de creación de modelos son vitales para muchos problemas que de manera manual tomarían décadas o incluso siglos en resolverse. La regresión lineal y los mínimos cuadrados Regresión lineal simple La regresión lineal en la vida real posee muchas aplicaciones, desde la salud (tasa de mortalidad, por ejemplo) hasta el desarrollo de IA. Es un método numérico bastante sencillo que consiste en la aproximación de una recta a ciertos datos ya conocidos. Por ejemplo, se conocen los datos del precio promedio de una casa de acuerdo con el número de habitaciones en una zona determinada de una ciudad. Si se genera una gráfica de dispersión se tiene lo siguiente x y 1 700000 2 980000 3 2000000 4 2200000 5 3500000 No. Habitaciones Costo Ajustando una recta mediante regresión lineal se tiene lo siguiente: Como vemos, esta recta puede ser una buena aproximación inicial para conocer precios de otras casas de las cuales no se tiene el dato, por ejemplo, una casa de 3.5 habitaciones tendría un precio aproximado de $2,150,000. Esto nos permite no solo aproximar datos de información que no se tiene dentro del rango ya conocido, sino también fuera de él, como por ejemplo el de una casa con diez habitaciones o 100, si así lo quisieras. Este fue un ejemplo sencillo, categorizado como regresión lineal simple, en el cual solo se involucran 2 datos, sin embargo, las computadoras lidian con modelos que ocupan en ocasiones miles de variables (modelos de regresión lineal múltiple), cosa que resolver manualmente sería sumamente complicado y tardado. Este método numérico es fundamental en el desarrollo de Machine Learning, y como se observa sus resultados están basados en la información ya conocida, por ello es clasificado como un modelo de aprendizaje supervisado y permite a una máquina de manera “autónoma” predecir, estimar o tomar decisiones de acuerdo con lo que ya se conoce. Al realizar este método resolvemos un problema, ya tenemos la forma de aproximar una solución para algo desconocido, pero ¿cómo sabemos que es la mejor solución de todas? Mínimos cuadrados Aunque el método de mínimos cuadrados posee un registro más antiguo que el de regresión lineal, se considera al anterior como las bases de este método para poder entenderlo de una mejor manera. Como se mencionó en el método anterior, este solo busca una solución aproximada, nunca se habló de que esta fuera la mejor de todas, el método de mínimo cuadrados viene para resolver este problema, pues consiste en encontrar la mejor recta (aunque también podrían ser curvas) con el menor error posible. Este método suma el error que hay entre cada punto conocido y la distancia de la recta y lo minimiza para cada uno, consiguiendo así la mejor solución. Si resolvemos este mismo problema con este nuevo método observaremos como la recta cambia directamente, pero ahora nos otorgará mejores aproximaciones. Resolviendo de forma manual Siguiendo el método de mínimos cuadrados se plantea la siguiente tabla: x y 1 700000 1.0000 700000.0000 2 980000 4.0000 1960000.0000 3 2000000 9.0000 6000000.0000 4 2200000 16.0000 8800000.0000 5 3500000 25.0000 17500000.0000 ∑= 15.0000 9380000.0000 55.0000 34960000.0000 𝒙𝟐 𝒙𝒚 El sistema de ecuaciones para resolver queda de la siguiente forma: 5𝑎0 + 15𝑎1 = 9 380 000 15𝑎0 + 55𝑎2 = 34 960 000 Donde la recta estará dada por: 𝑦 = 𝑎0 + 𝑎1𝑥 Resolviendo nos queda: 𝑎0 = −170 000 𝑎1𝑥 = 682 000 Siendo la recta: 𝑦 = −170 000 + 682 000𝑥 Graficando nos queda lo siguiente: Y de esta forma podemos estar seguros de que la recta nos otorgará las mejores aproximaciones, sin embargo, el uso de mínimos cuadrados no siempre será la mejor alternativa, ya que en ocasiones aproximaciones tan precisas pueden no ser tan buenas para el modelo. El gran reto es ahora programar un algoritmo capaz de replicar esto no solo con datos de dos variables como el ejemplo, sino uno capaz de manipular miles de datos simultáneamente, para ello se usa otros métodos, entre los cuales está el de descenso del gradiente, que sería “similar” a la regresión lineal, pero con más dimensiones y haciendo uso de vectores y matrices, que a las computadoras se les da bastante bien estas tareas. Mediante este método y el anterior se programan la base de muchos algoritmos para Machine Learning y desarrollar Inteligencia Artificial. Como se observa, ambos métodos son basados en un aprendizaje supervisados y pueden predecir resultados, que en esencia es lo que muchas IA buscan, que a base de experiencias logren capacitarse a sí mismas para actuar de cierta manera ante determinadas situaciones. Conclusiones Durante este documento se ha hablado de cómo las inteligencias artificiales planean aprender como un humano lo hace para así potenciar sus capacidades, también el cómo mediante métodos numéricos este objetivoestá cada vez más cerca. Más allá del debate filosófico acerca de dotar de una inteligencia capaz de aprender cualquier cosa a una máquina sea algo ético o no, el mundo actual vive una revolución que no parece tener vuela atrás, y que va justamente dirigido hacia este camino, máquinas que aprendan a aprender. Como se dice, las computadoras son todo matemáticas, y desde mi punto de vista los métodos numéricos forman una parte importante en el mundo de las matemáticas, no solo porque permite conocer soluciones de ciertas cosas cuya solución es desconocida, sino porque a lo largo de las últimas décadas se ha demostrado como estos métodos permiten optimizar algo que para los seres humanos es valiosísimo, el tiempo. Por último, me gustaría remarcar lo bello y poderoso que es que un método que permite predecir valores para la vida real, como lo son la tasa de mortalidad del tabaco, entre otras cosas, también permita ser implementado más allá de eso, y que en las IA permita que una máquina aprenda a hacer, prácticamente cualquier cosa, si esta es programada de la manera correcta. Referencias Bagnato, J. (5 de Septiembre de 2017). Aplicaciones del Machine Learning. Obtenido de Aprende Machine Learning: https://www.aprendemachinelearning.com/aplicaciones-del-machine- learning/#supervisado Bagnato, J. (13 de Mayo de 2018). Regresión Lineal en español con Python. Obtenido de Aprende Machine Learning: https://www.aprendemachinelearning.com/regresion-lineal-en-espanol-con- python/#more-5722 Bognato, J. (14 de Noviembre de 2017). Aprendizaje Profundo: una Guía rápida. Obtenido de Aprende Machine Learning: https://www.aprendemachinelearning.com/aprendizaje-profundo-una-guia- rapida/ Bognato, J. (4 de Noviembre de 2017). Principales Algoritmos usados en Machine Learning. Obtenido de Aprende Machine Learning: https://www.aprendemachinelearning.com/principales-algoritmos-usados- en-machine-learning/ Dot CSV. (16 de Octubre de 2017). ¿Qué es el Aprendizaje Supervisado y No Supervisado? | DotCSV. Obtenido de YouTube: https://www.youtube.com/watch?v=oT3arRRB2Cw Dot CSV. (1 de Noviembre de 2017). ¿Qué es el Machine Learning?¿Y Deep Learning? Un mapa conceptual | DotCSV. Obtenido de YouTube: https://www.youtube.com/watch?v=KytW151dpqU Dot CSV. (20 de Noviembre de 2017). Modelos para entender una realidad caótica | DotCSV. Obtenido de YouTube: https://www.youtube.com/watch?v=Sb8XVheowVQ Dot CSV. (16 de Diciembre de 2017). Regresión Lineal y Mínimos Cuadrados Ordinarios | DotCSV. Obtenido de YouTube: https://www.youtube.com/watch?v=k964_uNn3l0 Dot CSV. (4 de Febrero de 2018). ¿Qué es el Descenso del Gradiente? Algoritmo de Inteligencia Artificial | DotCSV. Obtenido de YouTube: https://www.youtube.com/watch?v=A6FiCDoz8_4&t=1s Dot CSV. (10 de Agosto de 2020). ¡GPT-3! - ¿Una IA que puede PROGRAMAR? Obtenido de YouTube: https://www.youtube.com/watch?v=iFLTkgA5q6A García Moreno, C. (s.f). ¿Qué es el Deep Learning y para qué sirve? Obtenido de Indra Company: https://www.indracompany.com/es/blogneo/deep-learning- sirve#:~:text=Diferencias%20entre%20Inteligencia%20Artificial%2C%20Ma chine,pero%20dif%C3%ADciles%20para%20las%20computadoras. Gregg, J. (18 de Septiembre de 2014). ¿Quiénes son más inteligentes, los perros o los delfines? Obtenido de BBC News: https://www.bbc.com/mundo/noticias/2014/09/140918_ciencia_perros_delfin es_mas_inteligentes_np IBM. (s.f). El modelo de redes neuronales. Obtenido de IBM Knowledge Center: https://www.ibm.com/support/knowledgecenter/es/SS3RA7_sub/modeler_m ainhelp_client_ddita/components/neuralnet/neuralnet_model.html Llanga Vargas, E. F., & Villegas Ortiz, M. (Febrero de 2019). El aprendizaje y su relación con las inteligencias múltiples. Obtenido de Revista Atlante: Cuadernos de Educación y Desarrollo (febrero 2019): https://www.eumed.net/rev/atlante/2019/02/aprendizaje-inteligencias- multiples.html Machine Learning Mastery. (6 de Abril de 2020). 10 Clustering Algorithms With Python. Obtenido de Machine Learning Mastery: https://machinelearningmastery.com/clustering-algorithms-with-python/ Ramírez, F. (20 de Marzo de 2019). Las matemáticas del Machine Learning: explicando la Regresión Lineal (I). Obtenido de Telefónica S.A: https://empresas.blogthinkbig.com/las-matematicas-del-machine-learning-3/ Unipython. (s.f). AJUSTE POR MÍNIMOS CUADRADOS. Obtenido de Unipython: https://unipython.com/ajuste-minimos-cuadrados/ V., R. (27 de Febrero de 2019). Machine Learning Supervisado: Fundamentos de la Regresión Lineal. Obtenido de Medium: https://medium.com/datos-y- ciencia/machine-learning-supervisado-fundamentos-de-la- regresi%C3%B3n-lineal-bbcb07fe7fd Webedia Brand Services. (30 de Octubre de 2018). Inteligencia artificial débil vs fuerte: ¿hasta dónde llega una y otra? (infografía). Obtenido de Xataca: https://ecosistemahuawei.xataka.com/inteligencia-artificial-debil-vs-fuerte- donde-llega-otra-infografia/ Wikipedia. (26 de Enero de 2021). Computadora. Obtenido de Wikipedia: https://es.wikipedia.org/wiki/Computadora Wikipedia. (25 de Enero de 2021). Regresión lineal. Obtenido de Wikipedia: https://es.wikipedia.org/wiki/Regresi%C3%B3n_lineal
Compartir