1
00:00:00,000 --> 00:00:04,904
Que é a aprendizaxe automática? Neste video tentaremos definir que é e tamén tentar

2
00:00:04,904 --> 00:00:09,520
ofrecervos unha idea de cando hai que empregar aprendizaxe automática. Incluso dentro dos

3
00:00:09,520 --> 00:00:14,252
profesionais da aprendizaxe automática non hai unha definición ben aceptada do que é e do que

4
00:00:14,252 --> 00:00:18,926
non é a aprendizaxe automática. Pero deixádeme amosarvos un par de exemplos de como a

5
00:00:18,926 --> 00:00:23,600
xente tentou definila. Aquí vai a definición do que é aprendizaxe automática

6
00:00:23,600 --> 00:00:28,520
segundo Arthur Samuel. El define a aprendizaxe automática coma o campo de estudo que dá

7
00:00:31,037 --> 00:00:33,554
ás computadoras a habilidade de aprender sen ter sido explicitamente programadas. O salto á fama de Samuel

8
00:00:33,554 --> 00:00:38,452
foi nos anos 50, cando escribiu un programa do xogo das damas. E o

9
00:00:38,452 --> 00:00:43,603
sorprendente deste programa do xogo das damas, foi que o mesmo Arthur Samuel

10
00:00:43,603 --> 00:00:48,268
non era un bo xogador de damas. Mais o que fixo foi programar a computadora para xogar

11
00:00:48,268 --> 00:00:52,245
decenas de milleiros de partidas contra si mesma, observando que tipos de posicións no

12
00:00:52,245 --> 00:00:56,698
taboleiro levaban á vitoria e que tipos de posicións levaban a derrotas.

13
00:00:56,698 --> 00:01:00,725
O programa do xogo de damas aprende co tempo cales son as

14
00:01:00,725 --> 00:01:04,713
boas posicións no taboleiro e cales son as malas. E finalmente aprende a xogar

15
00:01:04,713 --> 00:01:09,514
ás damas mellor do que Arthur Samuel é capaz el mesmo. Isto foi un resultado salientable.

16
00:01:09,514 --> 00:01:14,535
Aínda que Samuel non era un bo xogador de damas. Pero grazas

17
00:01:14,535 --> 00:01:19,254
a que a computadora ten a paciencia de xogar decenas de milleiros de veces contar si mesma.

18
00:01:19,254 --> 00:01:24,275
Ningún humano ten a paciencia de xogar tal cantidade de partidas. Facendo isto a computadora foi capaz

19
00:01:24,275 --> 00:01:29,235
de ter moita máis experiencia no xogo e finalmente converterse

20
00:01:29,235 --> 00:01:33,817
nun xogador de damas mellor ca Arthur Samuel mesmo. Esta é dalgunha maneira unha definición

21
00:01:33,817 --> 00:01:38,547
informal, e vella. Velaiquí outra definición algo máis recente de

22
00:01:38,547 --> 00:01:43,607
Tom Mitchell, que é un amigo, en Carnegie Mellon. Tom define a aprendizaxe automática dicindo

23
00:01:43,607 --> 00:01:48,819
que un problema de aprendizaxe ben proposto defínese do seguinte xeito. El di,

24
00:01:48,819 --> 00:01:53,843
un programa de computadora dise que aprende da experiencia E con respecto de certa tarefa T e cunha medida

25
00:01:53,843 --> 00:01:58,678
do rendemento P se esta medida sobre T medida por P mellora

26
00:01:58,678 --> 00:02:03,764
a experiencia E. Creo que chegou a esta definición para facer que rimase.

27
00:02:03,764 --> 00:02:08,346
Para o exemplo do xogo das damas, a experiencia E sería a

28
00:02:08,346 --> 00:02:13,253
experiencia de ter o programa xogando decenas de milleiros de partidas contra si mesmo.

29
00:02:13,253 --> 00:02:17,735
A tarefa T sería a tarefa de xogar ás damas. E a medida do rendemento P

30
00:02:17,735 --> 00:02:22,399
sería a probabilidade de gañar a seguinte partida de damas contra

31
00:02:22,399 --> 00:02:27,157
algún novo opoñente. A través destes vídeos, ademáis de tentar aprendervos a materia,

32
00:02:27,157 --> 00:02:32,291
ocasionalmente fareivos algunha pregunta para estar seguro de que entendedes

33
00:02:32,291 --> 00:02:36,891
o contido. Aquí vai unha. Na parte superior está a definición de aprendizaxe automática dada por Tom Michell

34
00:02:36,891 --> 00:02:42,292
Supoñamos que o voso xestor de correo electrónico observa que correos marcades ou non

35
00:02:42,292 --> 00:02:47,826
coma correo lixo. Nun cliente de correo coma este poderiades premer no botón de corro lixo para informar

36
00:02:47,826 --> 00:02:53,263
de que un correo é correo lixo pero outros non. E baseándose nos correos marcados coma

37
00:02:53,263 --> 00:02:59,046
lixo o voso programa aprende mellor como filtrar o correo lixo.

38
00:02:59,046 --> 00:03:04,290
Cal sería a tarefa T neste caso? Nuns intres o video parará. Cando o faga,

39
00:03:04,290 --> 00:03:09,598
podedes empregar o voso rato para seleccionar unha destas catro opcións para

40
00:03:09,598 --> 00:03:40,190
facerme saber cal destas catro pensades que é a resposta correcta a esta pregunta.

41
00:03:40,190 --> 00:03:45,747
Esa podería ser unha medida do rendemento P. E polo tanto, o rendemento da tarefa sobre a tarefa do noso sistema de

42
00:03:45,747 --> 00:03:50,529
rendemento sobre a tarefa T, con respecto da medida do rendemento P mellorará despois

43
00:03:50,529 --> 00:03:55,957
a experiencia E. Nesta clase espero aprendervos sobre diferentes tipos

44
00:03:55,957 --> 00:04:00,933
de algoritmos de aprendizaxe. Hai moitos tipos diferentes de algoritmos de aprendizaxe.

45
00:04:00,933 --> 00:04:05,650
Os dous principais son os chamados "aprendizaxe supervisada" e "aprendizaxe non supervisada"

46
00:04:05,650 --> 00:04:10,690
Definirei mellor o que significan estes termos no próximo par de videos.

47
00:04:10,690 --> 00:04:16,028
Pero dedúcese que na aprendizaxe supervisada, a idea, si, é que imos ensinar á

48
00:04:16,028 --> 00:04:20,513
computadora a facer algo, mentres que na aprendizaxe non supervisada imos deixar

49
00:04:20,513 --> 00:04:25,016
que aprenda por si mesma. Non vos preocupedes se estes dous termos non teñen sentido aínda, nos

50
00:04:25,016 --> 00:04:29,739
próximos dous vídeos heivos dicir exactamente que é o que son estes dous tipos de aprendizaxe.

51
00:04:29,739 --> 00:04:34,070
Escoitaredes tamén outros termos de moda coma aprendizaxe pro reforzo e sistemas

52
00:04:34,070 --> 00:04:38,621
de recomendación. Estes son outros tipos de algoritmos de aprendizaxe automática dos que falaremos

53
00:04:38,621 --> 00:04:42,460
máis adiante, pero os dous tipos de algoritmos de aprendizaxe máis empregados son probablemente

54
00:04:42,460 --> 00:04:46,791
aprendizaxe supervisada e aprendizaxe non supervisada e heinos definir nos dous

55
00:04:46,791 --> 00:04:51,123
próximos videos. E pasaremos a maior parte desta clase falando destes dous tipos de

56
00:04:51,123 --> 00:04:55,720
algoritmos de aprendizaxe. Resulta que unha das outras cousas coas pasaremos moito tempo

57
00:04:55,720 --> 00:05:00,054
nesta clase será o consello práctico de aplicación dos algoritmos de aprendizaxe. Isto

58
00:05:00,054 --> 00:05:04,444
é algo que me parece moi importante e que realmente é algo que

59
00:05:04,444 --> 00:05:08,167
non sei se se ensina noutras universidades. Ensinar sobre algoritmos de

60
00:05:08,167 --> 00:05:12,509
aprendizaxe é coma dar unha serie de ferramentas. E igual de importante ou

61
00:05:12,509 --> 00:05:17,616
máis importante ca dar ferramentas é ensinar como aplicar estas ferramentas. Gustaríame

62
00:05:17,616 --> 00:05:22,413
facer unha analoxía coa aprendizaxe para ser carpinteiro. Imaxinade que alguén vos

63
00:05:22,413 --> 00:05:26,959
está aprendendo como ser carpinteiro a divos "isto é un martelo, isto é

64
00:05:26,959 --> 00:05:31,077
un desparafusador, isto é unha serra... boa sorte". Ben, non é bo, ou? Vos

65
00:05:31,077 --> 00:05:34,799
tedes todas estas ferramentas, pero o máis importante é aprender como empregalas

66
00:05:34,799 --> 00:05:38,927
axeitadamente. Hai unha gran diferenza entre a xente que

67
00:05:38,927 --> 00:05:43,456
sabe como empregar estes algoritmos de aprendizaxe automática e aqueles qeu non

68
00:05:43,456 --> 00:05:47,626
saben como empregalos ben. Aquí en Silicon Valley onde vivimos, cando vou

69
00:05:47,626 --> 00:05:52,328
visitar diferentes compañías, incluso algusnhas das mási importantes de silicon Valley, a miudo vexo

70
00:05:52,328 --> 00:05:56,428
xente tentando aplicar algoritmos de aprendizaxe automática a algún problema e

71
00:05:56,428 --> 00:06:00,857
ás veces facéndoo durante seis meses. Pero ás veces cando vexo

72
00:06:00,857 --> 00:06:05,121
o que están a facer, eu dígo, sabes? podería terlles dito, carai!

73
00:06:05,121 --> 00:06:09,714
podería tervos dito hai seis meses que deberiades empregar un algoritmo de aprendizaxe e

74
00:06:09,714 --> 00:06:14,470
aplicalo deste xeito un pouco modificado, e as vosas probabilidades de éxito terían

75
00:06:14,470 --> 00:06:19,648
sido moito máis altas. Asi que o que imos facer nesta clase é realmente pasar moito

76
00:06:19,648 --> 00:06:23,523
tempo falando de como, se realmente tentades desenvolver un sistema de aprendizaxe

77
00:06:23,523 --> 00:06:27,596
automática, como facer que estas boas prácticas tipos decisión sobre o xeito no cal

78
00:06:27,596 --> 00:06:31,321
construides o voso sistema para que cando esteades cosntruindo o voso algoritmo por primeira vez

79
00:06:35,394 --> 00:06:39,373
Alguén podería terse decatado de que non ía funcionar

80
00:06:39,373 --> 00:06:43,515
en absoluto e é unha perda de tempo de seis meses. Asi qeu vou pasar realmente

81
00:06:43,515 --> 00:06:47,707
moito tempo aprendéndovos ese tipo de boas prácticas en aprendizaxe automática e

82
00:06:47,707 --> 00:06:52,052
IA e como facer que esta materia funcione e como facemos, como os mellores o fan

83
00:06:52,052 --> 00:06:56,143
en Silicon Valley e no mundo enteiro. Espero convertervos nuns dos mellores en

84
00:06:56,143 --> 00:06:59,905
saber como deseñar e construír sistemas de aprendizaxe automática e IA serios. Asi que,

85
00:06:59,905 --> 00:07:04,698
isto é aprendizaxe automática e estes son os prncipais temas que espero ensinar. No seguinte

86
00:07:04,698 --> 00:07:09,023
video vou definir que é aprendizaxe supervisada e despois diso,

87
00:07:09,023 --> 00:07:13,757
que é aprendizaxe non supervisada. E tamén empezar a falar de cando debedes empregar cada unha delas.