0:00:00.000,0:00:04.904
Que é a aprendizaxe automática? Neste video tentaremos definir que é e tamén tentar

0:00:04.904,0:00:09.520
ofrecervos unha idea de cando hai que empregar aprendizaxe automática. Incluso dentro dos

0:00:09.520,0:00:14.252
profesionais da aprendizaxe automática non hai unha definición ben aceptada do que é e do que

0:00:14.252,0:00:18.926
non é a aprendizaxe automática. Pero deixádeme amosarvos un par de exemplos de como a

0:00:18.926,0:00:23.600
xente tentou definila. Aquí vai a definición do que é aprendizaxe automática

0:00:23.600,0:00:28.520
segundo Arthur Samuel. El define a aprendizaxe automática coma o campo de estudo que dá

0:00:31.037,0:00:33.554
ás computadoras a habilidade de aprender sen ter sido explicitamente programadas. O salto á fama de Samuel

0:00:33.554,0:00:38.452
foi nos anos 50, cando escribiu un programa do xogo das damas. E o

0:00:38.452,0:00:43.603
sorprendente deste programa do xogo das damas, foi que o mesmo Arthur Samuel

0:00:43.603,0:00:48.268
non era un bo xogador de damas. Mais o que fixo foi programar a computadora para xogar

0:00:48.268,0:00:52.245
decenas de milleiros de partidas contra si mesma, observando que tipos de posicións no

0:00:52.245,0:00:56.698
taboleiro levaban á vitoria e que tipos de posicións levaban a derrotas.

0:00:56.698,0:01:00.725
O programa do xogo de damas aprende co tempo cales son as

0:01:00.725,0:01:04.713
boas posicións no taboleiro e cales son as malas. E finalmente aprende a xogar

0:01:04.713,0:01:09.514
ás damas mellor do que Arthur Samuel é capaz el mesmo. Isto foi un resultado salientable.

0:01:09.514,0:01:14.535
Aínda que Samuel non era un bo xogador de damas. Pero grazas

0:01:14.535,0:01:19.254
a que a computadora ten a paciencia de xogar decenas de milleiros de veces contar si mesma.

0:01:19.254,0:01:24.275
Ningún humano ten a paciencia de xogar tal cantidade de partidas. Facendo isto a computadora foi capaz

0:01:24.275,0:01:29.235
de ter moita máis experiencia no xogo e finalmente converterse

0:01:29.235,0:01:33.817
nun xogador de damas mellor ca Arthur Samuel mesmo. Esta é dalgunha maneira unha definición

0:01:33.817,0:01:38.547
informal, e vella. Velaiquí outra definición algo máis recente de

0:01:38.547,0:01:43.607
Tom Mitchell, que é un amigo, en Carnegie Mellon. Tom define a aprendizaxe automática dicindo

0:01:43.607,0:01:48.819
que un problema de aprendizaxe ben proposto defínese do seguinte xeito. El di,

0:01:48.819,0:01:53.843
un programa de computadora dise que aprende da experiencia E con respecto de certa tarefa T e cunha medida

0:01:53.843,0:01:58.678
do rendemento P se esta medida sobre T medida por P mellora

0:01:58.678,0:02:03.764
a experiencia E. Creo que chegou a esta definición para facer que rimase.

0:02:03.764,0:02:08.346
Para o exemplo do xogo das damas, a experiencia E sería a

0:02:08.346,0:02:13.253
experiencia de ter o programa xogando decenas de milleiros de partidas contra si mesmo.

0:02:13.253,0:02:17.735
A tarefa T sería a tarefa de xogar ás damas. E a medida do rendemento P

0:02:17.735,0:02:22.399
sería a probabilidade de gañar a seguinte partida de damas contra

0:02:22.399,0:02:27.157
algún novo opoñente. A través destes vídeos, ademáis de tentar aprendervos a materia,

0:02:27.157,0:02:32.291
ocasionalmente fareivos algunha pregunta para estar seguro de que entendedes

0:02:32.291,0:02:36.891
o contido. Aquí vai unha. Na parte superior está a definición de aprendizaxe automática dada por Tom Michell

0:02:36.891,0:02:42.292
Supoñamos que o voso xestor de correo electrónico observa que correos marcades ou non

0:02:42.292,0:02:47.826
coma correo lixo. Nun cliente de correo coma este poderiades premer no botón de corro lixo para informar

0:02:47.826,0:02:53.263
de que un correo é correo lixo pero outros non. E baseándose nos correos marcados coma

0:02:53.263,0:02:59.046
lixo o voso programa aprende mellor como filtrar o correo lixo.

0:02:59.046,0:03:04.290
Cal sería a tarefa T neste caso? Nuns intres o video parará. Cando o faga,

0:03:04.290,0:03:09.598
podedes empregar o voso rato para seleccionar unha destas catro opcións para

0:03:09.598,0:03:40.190
facerme saber cal destas catro pensades que é a resposta correcta a esta pregunta.

0:03:40.190,0:03:45.747
Esa podería ser unha medida do rendemento P. E polo tanto, o rendemento da tarefa sobre a tarefa do noso sistema de

0:03:45.747,0:03:50.529
rendemento sobre a tarefa T, con respecto da medida do rendemento P mellorará despois

0:03:50.529,0:03:55.957
a experiencia E. Nesta clase espero aprendervos sobre diferentes tipos

0:03:55.957,0:04:00.933
de algoritmos de aprendizaxe. Hai moitos tipos diferentes de algoritmos de aprendizaxe.

0:04:00.933,0:04:05.650
Os dous principais son os chamados "aprendizaxe supervisada" e "aprendizaxe non supervisada"

0:04:05.650,0:04:10.690
Definirei mellor o que significan estes termos no próximo par de videos.

0:04:10.690,0:04:16.028
Pero dedúcese que na aprendizaxe supervisada, a idea, si, é que imos ensinar á

0:04:16.028,0:04:20.513
computadora a facer algo, mentres que na aprendizaxe non supervisada imos deixar

0:04:20.513,0:04:25.016
que aprenda por si mesma. Non vos preocupedes se estes dous termos non teñen sentido aínda, nos

0:04:25.016,0:04:29.739
próximos dous vídeos heivos dicir exactamente que é o que son estes dous tipos de aprendizaxe.

0:04:29.739,0:04:34.070
Escoitaredes tamén outros termos de moda coma aprendizaxe pro reforzo e sistemas

0:04:34.070,0:04:38.621
de recomendación. Estes son outros tipos de algoritmos de aprendizaxe automática dos que falaremos

0:04:38.621,0:04:42.460
máis adiante, pero os dous tipos de algoritmos de aprendizaxe máis empregados son probablemente

0:04:42.460,0:04:46.791
aprendizaxe supervisada e aprendizaxe non supervisada e heinos definir nos dous

0:04:46.791,0:04:51.123
próximos videos. E pasaremos a maior parte desta clase falando destes dous tipos de

0:04:51.123,0:04:55.720
algoritmos de aprendizaxe. Resulta que unha das outras cousas coas pasaremos moito tempo

0:04:55.720,0:05:00.054
nesta clase será o consello práctico de aplicación dos algoritmos de aprendizaxe. Isto

0:05:00.054,0:05:04.444
é algo que me parece moi importante e que realmente é algo que

0:05:04.444,0:05:08.167
non sei se se ensina noutras universidades. Ensinar sobre algoritmos de

0:05:08.167,0:05:12.509
aprendizaxe é coma dar unha serie de ferramentas. E igual de importante ou

0:05:12.509,0:05:17.616
máis importante ca dar ferramentas é ensinar como aplicar estas ferramentas. Gustaríame

0:05:17.616,0:05:22.413
facer unha analoxía coa aprendizaxe para ser carpinteiro. Imaxinade que alguén vos

0:05:22.413,0:05:26.959
está aprendendo como ser carpinteiro a divos "isto é un martelo, isto é

0:05:26.959,0:05:31.077
un desparafusador, isto é unha serra... boa sorte". Ben, non é bo, ou? Vos

0:05:31.077,0:05:34.799
tedes todas estas ferramentas, pero o máis importante é aprender como empregalas

0:05:34.799,0:05:38.927
axeitadamente. Hai unha gran diferenza entre a xente que

0:05:38.927,0:05:43.456
sabe como empregar estes algoritmos de aprendizaxe automática e aqueles qeu non

0:05:43.456,0:05:47.626
saben como empregalos ben. Aquí en Silicon Valley onde vivimos, cando vou

0:05:47.626,0:05:52.328
visitar diferentes compañías, incluso algusnhas das mási importantes de silicon Valley, a miudo vexo

0:05:52.328,0:05:56.428
xente tentando aplicar algoritmos de aprendizaxe automática a algún problema e

0:05:56.428,0:06:00.857
ás veces facéndoo durante seis meses. Pero ás veces cando vexo

0:06:00.857,0:06:05.121
o que están a facer, eu dígo, sabes? podería terlles dito, carai!

0:06:05.121,0:06:09.714
podería tervos dito hai seis meses que deberiades empregar un algoritmo de aprendizaxe e

0:06:09.714,0:06:14.470
aplicalo deste xeito un pouco modificado, e as vosas probabilidades de éxito terían

0:06:14.470,0:06:19.648
sido moito máis altas. Asi que o que imos facer nesta clase é realmente pasar moito

0:06:19.648,0:06:23.523
tempo falando de como, se realmente tentades desenvolver un sistema de aprendizaxe

0:06:23.523,0:06:27.596
automática, como facer que estas boas prácticas tipos decisión sobre o xeito no cal

0:06:27.596,0:06:31.321
construides o voso sistema para que cando esteades cosntruindo o voso algoritmo por primeira vez

0:06:35.394,0:06:39.373
Alguén podería terse decatado de que non ía funcionar

0:06:39.373,0:06:43.515
en absoluto e é unha perda de tempo de seis meses. Asi qeu vou pasar realmente

0:06:43.515,0:06:47.707
moito tempo aprendéndovos ese tipo de boas prácticas en aprendizaxe automática e

0:06:47.707,0:06:52.052
IA e como facer que esta materia funcione e como facemos, como os mellores o fan

0:06:52.052,0:06:56.143
en Silicon Valley e no mundo enteiro. Espero convertervos nuns dos mellores en

0:06:56.143,0:06:59.905
saber como deseñar e construír sistemas de aprendizaxe automática e IA serios. Asi que,

0:06:59.905,0:07:04.698
isto é aprendizaxe automática e estes son os prncipais temas que espero ensinar. No seguinte

0:07:04.698,0:07:09.023
video vou definir que é aprendizaxe supervisada e despois diso,

0:07:09.023,0:07:13.757
que é aprendizaxe non supervisada. E tamén empezar a falar de cando debedes empregar cada unha delas.