1
00:00:00,000 --> 00:00:04,904
¿Qué es aprendizaje automático? En este vídeo trataremos de
definir qué es y también trataremos de darte una idea

2
00:00:04,904 --> 00:00:09,520
sobre cuándo querrías usar aprendizaje automático.
Incluso entre los practicantes del aprendizaje

3
00:00:09,520 --> 00:00:14,252
automático no existe una difinición bien aceptada sobre lo
que es y lo que no es aprendizaje automático.

4
00:00:14,252 --> 00:00:18,926
Pero vamos a ver un par de ejemplos sobre las maneras en

5
00:00:18,926 --> 00:00:23,600
que la gente ha intentado definirlo. Esta es la definición sobre
qué es aprendizaje automático para

6
00:00:23,600 --> 00:00:28,520
Arthur Samuel. Definió el aprendizaje automático como el
campo de estudio que le da a los ordenadores la habilidad

7
00:00:31,037 --> 00:00:33,554
de aprender algo sobre lo que no han sido explícitamente
programados. La fama de Samuel se remonta a la década

8
00:00:33,554 --> 00:00:38,452
de 1950, cuando escribió un programa para jugar a las damas.

9
00:00:38,452 --> 00:00:43,603
Y lo asombroso sobre este programa que juega a las damas
era que el propio Arthur Samuel

10
00:00:43,603 --> 00:00:48,268
no era un buen jugador de damas. Pero lo que él hizo fue, tener un programa para jugar

11
00:00:48,268 --> 00:00:52,245
decenas de miles de partidas contra si mismo. Y observando que tipo de posiciones en el tablero

12
00:00:52,245 --> 00:00:56,698
tienden a conducir a la victoria y que tipo de posiciones en el tablero tienden a

13
00:00:56,698 --> 00:01:00,725
perder. El programa de juego de damas aprende con el tiempo que posiciones son buenas

14
00:01:00,725 --> 00:01:04,713
en el tablero y cuales son malas posiciones. Y, finalmente, aprender a jugar

15
00:01:04,713 --> 00:01:09,514
a las damas mejor de lo que el propio Arthur Samuel era capaz. Esto fue un resultado notable.

16
00:01:09,514 --> 00:01:14,535
Aunque el propio Samuel resultó no ser un jugador de damas muy bueno. Pero debido a que el

17
00:01:14,535 --> 00:01:19,254
ordenador tiene la paciencia para jugar decenas de miles de partidas contra él mismo. Ningún

18
00:01:19,254 --> 00:01:24,275
humano tiene la paciencia para jugar esa cantidad de partidas. De esta manera el ordenador fue capaz de

19
00:01:24,275 --> 00:01:29,235
obtener una gran experiencia jugando a las damas que, finalmente llegó a ser

20
00:01:29,235 --> 00:01:33,817
mejor jugador que el propio Arthur Samuel. Esta es una definición

21
00:01:33,817 --> 00:01:38,547
un tanto informal, y algo más antigua. Aquí está una definición un poco más reciente de Tom

22
00:01:38,547 --> 00:01:43,607
Mitchell, de quien es un amigo, en la Carnegie Mellon. Entonces Tom define el aprendiza automático

23
00:01:43,607 --> 00:01:48,819
diciendo que, un problema de aprendizaje bien planteado es definido de la siguiente forma. Él dice, un programa de ordenador

24
00:01:48,819 --> 00:01:53,843
ordenador se dice que aprende de la experiencia E, con respecto a T, y alguna

25
00:01:53,843 --> 00:01:58,678
medida de rendimiento P. Y si esta actuación en T, medida por P mejora

26
00:01:58,678 --> 00:02:03,764
la experiencia E. De hecho, creo que él propuso esta definición solo para hacerla

27
00:02:03,764 --> 00:02:08,346
rimar. Para el ejemplo de jugadores de damas, la experiencia e, será la

28
00:02:08,346 --> 00:02:13,253
experiencia de tener el programa jugando decenas de miles de partidas reiteradas contra él mismo.

29
00:02:13,253 --> 00:02:17,735
La tarea t, será la tarea de jugar partidas. Y la medida de mejora p,

30
00:02:17,735 --> 00:02:22,399
será la probabilidad que lo haga, ganar la siguiente partida de damas contra

31
00:02:22,399 --> 00:02:27,157
un nuevo oponente. A lo largo de estos vídeos, además de mi intentando enseñarte

32
00:02:27,157 --> 00:02:32,291
cosas, de vez en cuando le realizaré alguna pregunta para estar seguro de que entiende el

33
00:02:32,291 --> 00:02:36,891
concepto. Aquí va una, en la parte superir está una definición de aprendizaje automático por Tom

34
00:02:36,891 --> 00:02:42,292
Mitchel. Pongamos como ejemplo que tu programa de correo electronico analiza que correos has marcado o no

35
00:02:42,292 --> 00:02:47,826
como spam. Asi que con un cliente de corre electronico como este podira pulsar el boton spam para informar

36
00:02:47,826 --> 00:02:53,263
que algunos correos son spam y que otros no. Basandose en que correos marcas como

37
00:02:53,263 --> 00:02:59,046
spam, tu programa de correo electronico aprende mejor como filtrar el spam en el correo. Que es la T en

38
00:02:59,046 --> 00:03:04,290
esta configuracion? En uno momento, el video se parara. Y cuando esto ocurra,

39
00:03:04,290 --> 00:03:09,598
podras usar to raton para seleccionar uno de los 4 radio buttons,

40
00:03:09,598 --> 00:03:40,190
para permitirme saber cual opcion es la que crees correcta en esta pregunta. ESto podria

41
00:03:40,190 --> 00:03:45,747
ser una medicion de rendimiento P. Y por lo tanto, nuestra tare de rendimiento dentro de la tar

42
00:03:45,747 --> 00:03:50,529
el rendimiento de la tarea T, en la medida de rendimiento p mejorará después de

43
00:03:50,529 --> 00:03:55,957
la experiencia e. En esta clase espero poder enseñar acerca de varios tipos diferentes de

44
00:03:55,957 --> 00:04:00,933
algoritmos de aprendizaje. Existen diferentes tipos de algoritmos de aprendizaje.

45
00:04:00,933 --> 00:04:05,650
Los dos tipos principales son lo que llamamos aprendizaje supervisados y sin supervisión

46
00:04:05,650 --> 00:04:10,690
aprendizaje. Podrá definir de lo que estos términos significan más en los próximos videos de pareja. Pero

47
00:04:10,690 --> 00:04:16,028
resulta que en el aprendizaje supervisado,
la idea es que vamos a enseñar la

48
00:04:16,028 --> 00:04:20,513
equipo cómo hacer algo, mientras que en el aprendizaje no supervisado vamos permiten

49
00:04:20,513 --> 00:04:25,016
aprender por sí mismo. No te preocupes si estas dos condiciones no tienen sentido sin embargo, en el

50
00:04:25,016 --> 00:04:29,739
a continuación dos videos que voy a decir exactamente cuáles son estos dos tipos de aprendizaje. Le

51
00:04:29,739 --> 00:04:34,070
También escuchará otros términos de zumbido como aprendizaje de refuerzo y recomendación

52
00:04:34,070 --> 00:04:38,621
sistemas. Estos son otros tipos de algoritmos que hablaremos de aprendizaje automático

53
00:04:38,621 --> 00:04:42,460
más tarde, pero los dos tipos más utilizados de aprendizaje algoritmos son probablemente

54
00:04:42,460 --> 00:04:46,791
aprendizaje supervisado y no supervisado de aprendizaje y voy definirlos en el siguiente

55
00:04:46,791 --> 00:04:51,123
dos videos y te pasan la mayor parte de esta clase hablando de estos dos tipos de

56
00:04:51,123 --> 00:04:55,720
algoritmos de aprendizaje. Resulta que uno de
las otras cosas que dedicaremos mucho tiempo

57
00:04:55,720 --> 00:05:00,054
en esta clase es consejos prácticos para aplicar algoritmos de aprendizaje. Se trata de

58
00:05:00,054 --> 00:05:04,444
algo que me siento bastante fuertemente cerca, y realmente es algo que me

59
00:05:04,444 --> 00:05:08,167
no sé de ninguna otra Universidad enseña. Enseñanza sobre el aprendizaje

60
00:05:08,167 --> 00:05:12,509
algoritmos es como darle un conjunto de
herramientas e igualmente importante o más

61
00:05:12,509 --> 00:05:17,616
es importante darle las herramientas para enseñarle cómo aplicar estas herramientas. Me gusta

62
00:05:17,616 --> 00:05:22,413
para hacer una analogía para aprender a ser un carpintero. Imaginar que alguien es

63
00:05:22,413 --> 00:05:26,959
le enseña a ser carpintero y decir aquí es un martillo, aquí es un

64
00:05:26,959 --> 00:05:31,077
destornillador, aquí es una Sierra, buena suerte.
¿Bueno, no eso sirve, derecho? Te, te, te

65
00:05:31,077 --> 00:05:34,799
todas estas herramientas, pero lo más importante, es para aprender a utilizar

66
00:05:34,799 --> 00:05:38,927
Estas herramientas correctamente. Hay una enorme diferencia, entre personas

67
00:05:38,927 --> 00:05:43,456
sabe cómo usar estas máquinas aprender algoritmos, frente a gente que no sabe

68
00:05:43,456 --> 00:05:47,626
Cómo utilizar estas herramientas bien. Aquí en Silicon Valley, donde vivo, cuando vaya

69
00:05:47,626 --> 00:05:52,328
visitar diferentes empresas incluso en las Silicon Valley empresas principales muy a menudo que veo

70
00:05:52,328 --> 00:05:56,428
personas están tratando de aplicar algoritmos de aprendizaje de máquina a algún problema y

71
00:05:56,428 --> 00:06:00,857
a veces han sido van desde seis meses. Pero a veces, cuando miro

72
00:06:00,857 --> 00:06:05,121
lo que están haciendo yo, yo, decir, sabes, pude han les dije, caray, pudiera

73
00:06:05,121 --> 00:06:09,714
te dije hace seis meses que usted debe tomar un algoritmo de aprendizaje y

74
00:06:09,714 --> 00:06:14,470
aplicarlo como la forma ligeramente modificada y sus posibilidades de éxito tendría

75
00:06:14,470 --> 00:06:19,648
sido mucho mayor. Así que lo vamos a hacer en esta clase es realmente gastar mucho

76
00:06:19,648 --> 00:06:23,523
de tiempo a hablar sobre cómo, si realmente intentó desarrollar un aprendizaje de máquina

77
00:06:23,523 --> 00:06:27,596
sistema, cómo hacer las mejores prácticas de tipo decisiones acerca de la forma en que usted

78
00:06:27,596 --> 00:06:31,321
Construya su sistema para que cuando estés
aplicar el algoritmo de aprendizaje está menos

79
00:06:31,321 --> 00:06:35,394
probablemente poner fin a una de esas personas que terminan persiguiendo algún camino para seis meses

80
00:06:35,394 --> 00:06:39,373
que, usted sabe, alguien podría tener
figuró fuera simplemente no va a trabajar en

81
00:06:39,373 --> 00:06:43,515
todos y es de sólo una pérdida de tiempo de seis meses. Así que realmente voy a pasar un

82
00:06:43,515 --> 00:06:47,707
mucho del tiempo enseñar ese tipo de prácticas óptimas en el aprendizaje de máquina y

83
00:06:47,707 --> 00:06:52,052
AI y cómo obtener este material para trabajar y cómo lo hacemos, cómo la gente mejor lo hace

84
00:06:52,052 --> 00:06:56,143
Silicon Valley y en todo el mundo. Espero que te hacen uno de los mejores en

85
00:06:56,143 --> 00:06:59,905
saber cómo diseñar y construir el aprendizaje serio y sistemas de inteligencia artificial. Por lo tanto,

86
00:06:59,905 --> 00:07:04,698
es aprendizaje y estos son los principales temas que espero para enseñar. En la siguiente

87
00:07:04,698 --> 00:07:09,023
vídeo, voy a definir lo que es supervisado aprendizaje y después de eso, lo que

88
00:07:09,023 --> 00:07:13,757
es supervisado de aprendizaje. Y también, iniciar
hablar de cuándo debe utilizar cada uno de ellos.