Addictware | Noticias de Tecnología - Tu primer contacto con el mundo de la IA desde el sillón de tu casa

La IA hace referencia al concepto de crear algoritmos que demuestren comportamientos o capacidades relacionadas con el ser humano. La familia de algoritmos más usada en Inteligencia Artificial es el Machine Learning.

 

Adil Moujahid EverisEn los últimos años hemos observado numerosos avances en Inteligencia Artificial (IA) que nos indican el futuro que nos espera y que han alentado el debate sobre las consecuencias positivas y adversas del desarrollo de la tecnología.

Así pues, la IA va a transformar los principales sectores y tendrá una repercusión comparable al descubrimiento de la electricidad o la invención de Internet. En palabras de Andrew NG, un destacado científico de IA, La IA es la nueva electricidad. El alto  potencial e impacto de la AI demanda una gran cantidad de expertos en la materia para cubrir la creciente  demanda que reclama el mercado laboral.

El objetivo de este artículo es desmitificar la IA y proporcionarte las herramientas para entender esta tecnología, sin la necesidad de desembolsar grandes cuantías económicas. Para ello, empezaremos con algunas definiciones, exploraremos algoritmos de IA y te ofreceremos una lista de recursos para que puedas empezar a descubrir la IA, desde el sofá de tu casa.

¿Qué son la IA, el Machine Learning y el Deep Learning?

Seguro que te suenan estos términos pero, comencemos por el principio. La IA hace referencia al concepto de crear algoritmos que demuestren comportamientos o capacidades relacionadas con el ser humano. La familia de algoritmos más usada en Inteligencia Artificial es el Machine Learning.

En otras palabras, los algoritmos de Machine Learning encuentran patrones en enormes cantidades de datos  con los que crean reglas para realizar predicciones sobre nuevas entradas de datos. La principal ventaja de los algoritmos de Machine Learning es que no hay que programar expresamente las reglas de decisión. Estas reglas se "aprenden" automáticamente a partir de los datos. Según el tipo de aprendizaje existen tres categorías dentro del Machine Learning:

  • Aprendizaje supervisado: introducimos una serie de variables de entrada (input) y sus correspondientes variables de salida (output), y el algoritmo de aprendizaje automático intenta encontrar reglas que relacionen esas variables.
  • Aprendizaje no supervisado: introducimos una serie de datos solo con variables de entrada y el algoritmo intenta encontrar patrones. El ejemplo más habitual de aprendizaje no supervisado es el clustering o agrupamiento.
  • Aprendizaje por refuerzo: entrenamos a agentes de IA para que realicen acciones en un entorno dado con el fin de maximizar la noción de recompensa acumulada. Con estos algoritmos se puede enseñar a los agentes a jugar el ajedrez, por poner un ejemplo,  o incluso entrenar a robots para que caminen o realicen tareas específicas.

En la última década ha surgido una nueva tendencia en torno al Machine Learning: el Deep Learning. Esta tecnología hace referencia a una clase de Redes Neuronales Artificiales (RNAs) compuestas por varias capas de procesamiento. Las RNAs existen desde hace mucho, pero nunca se había conseguido entrenar arquitecturas profundas de RNAs hasta el descubrimiento de Geoffrey Hinton a mediados de la década del 2000. Además de las novedades en cuanto a algoritmos, el aumento de las capacidades de procesamiento mediante GPU (unidades de procesamiento gráfico) y la recopilación de mayores cantidades de datos han contribuido también al reciente auge del aprendizaje profundo. [5]

Primeros pasos con la IA

Si no tienes formación técnica, la mejor forma de empezar es realizar el curso AI for Everyone (IA para Todos) de deeplearning.ai.  Esta formación ha sido diseñada por Andrew Ng, tendrás que dedicarle unas diez horas unas 10 horas y se estructura en 4 bloques:

  •  ¿Qué es la IA?
  •  Creación de proyectos de IA
  •  IA en la empresa
  •  IA en la sociedad

Si tienes formación técnica y lo que buscas es experiencia práctica, necesitarás tener unos conocimientos básicos de  programación. La mayoría de los cursos de Machine Learning y Deep Learning  usan como lenguaje de programación Python. Si no tienes experiencia con Python, te recomendamos que empieces con uno de estos recursos:

  • Codecademy - Learn Python (Aprende a usar Python), gratis con algunas ofertas.
  • Libro - A Whirlwind Tour of Python (Un Recorrido Frenético por Python)

+ Introducción rápida a los elementos principales de Python, dirigido a investigadores y desarrolladores que ya tienen experiencia en programación en otros lenguajes.

+ Contenido en cuadernos de Jupyter

+ Gratuito

Antes de crear un modelo de Machine Learning, te recomendamos que te familiarices con los paquetes científicos de Python (cuadernos de Jupyter, Pandas, Numpy, Malplotlib, etc.).  Para ello puedes ponerte al día con los siguientes recursos:

  • Libro de Wes McKinney: Python for Data Analysis (Python para el análisis de ? datos)
  • Cuaderno de Jupyter, gratuitos

+ Incluye una serie completa de instrucciones para manipular, tratar, limpiar y procesar conjuntos de datos en Python. Este manual está repleto de casos prácticos para enseñarte cómo resolver eficazmente una gran variedad de problemas de análisis de datos. En el proceso, aprenderás a usar pandas, NumPy, IPython y Jupyter.

  • Dataschool - Best practices with pandas (Buenas prácticas con pandas)

+ Incluye 10 vídeos

 + Este curso aborda buenas prácticas dirigidas a adquirir más soltura en el uso de pandas para responder a problemas y evitar errores relacionados con la ciencia de datos. Y lo que más nos gusta ¡es gratuito!

Una vez que ya conozcas los paquetes de Python para el análisis de datos, puedes empezar a crear tus propios proyectos de Machine Learning y Deep Learning.

Machine Learning

  • Curso gratuito Fast.ai - Introduction to Machine Learning for Coders (Introducción al Aprendizaje Automático para Programadores).

+ A través de este curso gratuíto conocerás los modelos principales de aprendizaje automático, cómo crearlos desde cero y las habilidades fundamentales para preparar datos, validar modelos y crear productos de análisis de datos.

  • Andreas Mueller - Introduction to Machine Learning (Introducción al Aprendizaje Automático)
  • Sebastian Raschka - Python Machine Learning (Aprendizaje Automático con  Python)

+ Cuadernos de Jupyter gratuitos

Deep Learning

  • Fast.ai - Practical Deep Learning for Coders (Aprendizaje profundo práctico para desarrolladores).

+ Un curso excelente y gratuito sobre Deep Learning.

Como has visto, hay una gran cantidad de material disponible en internet que te facilitarán un primer contacto con esta tecnología. La AI va a ser una de las áreas de mayor interés en los próximos años que impactará en todos los sectores. Se trata de una disciplina que requiere múltiples habilidades técnicas y tecnológicas, pero también humanas. Además de conocimientos matemáticos y estadísticos, es importante conocer los lenguajes de programación y las posibilidades que ofrece la nube. Por último, ten en cuenta que en este campo siempre se está fuera de la zona de confort por lo que tendrás contar con grandes dosis de paciencia y minuciosidad.

Referencias

 [1] What's the Difference Between Artificial Intelligence, Machine Learning, and Deep Learning? https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

[2] https://en.wikipedia.org/wiki/Cluster_analysis

[3] https://www.wired.com/2017/05/googles-alphago-levels-board-games-power-grids/

[4] https://www.bostondynamics.com

[5] http://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-caffe/