1
FUNDAMENTOS MACHINE LEARNING
2
• • • • • • • • •
Ingeniero Mecánico /USACA. Project Management /EALDE Business School. Especialista Gerencia de Mantenimiento Activos. (RCM-TPM-LEAN-LUB) /UECCI. Six Sigma / Tecnológico de Monterrey. Excelencia Operacional. / BMG. Diplomado Gestión de Activos /ACIEM. Diplomado Ventas y Operaciones de Mercado/ UDLS. Docencia Educación Continuada / Ingeniería Industrial-Mecánica. Experiencia profesional + 13 años Mantenimiento
Operaciones
Proyectos
Mejora Continua
3
Objetivos
• Reconocer en qué consisten los fundamentos de Machine Learning . • Observar y Conceptualizar generalidades asociados a Machine Learning. • Identificar la aplicabilidad del Machine Learning.
4
Contenido
- Introducciรณn. - Machine Learning. - Aplicabilidad Machine Learning.
5
Introducción Los algoritmos de inteligencia artificial y aprendizaje automático no son nuevos. El campo de la IA se remonta a la década de 1950. Arthur Lee Samuels, investigador de IBM, desarrolló uno de los primeros programas de aprendizaje automático: un Programa de autoaprendizaje para jugar a las damas. De hecho, acuñó el término aprendizaje automático. Su enfoque del aprendizaje automático fue explicado en un artículo publicado en IBM Journal of Research y Desarrollo en 1959.
Ninguna transición tecnológica ocurre de forma aislada; el cambio ocurre cuando hay un problema comercial sin resolver combinado con la maduración de la tecnología.
6
FUNDAMENTOS DE MACHINE LEARNING Introducción Tus datos son tan buenos como lo que haces con ellos y cómo tú lo gestionas.
Esta información ayuda tanto a las empresas y los líderes técnicos aprenden a aplicar el aprendizaje automático a anticipar y predecir el futuro.
Los métodos cuantitativos tradicionales en la gestión de activos puede ser significativamente mejorado con mayor precisión en menos tiempo mediante el uso de ML. 7
FUNDAMENTOS DE MACHINE LEARNING Introducción El aprendizaje automático es estratégico porque le ayuda a utilizar los datos para impulsar las reglas y la lógica empresarial. Los programadores escriben la lógica basada en el estado actual del negocio y luego agregan datos relevantes. Sin embargo, el cambio empresarial se ha convertido en la norma.
8
FUNDAMENTOS DE MACHINE LEARNING Introducción Se llama algoritmo a un conjunto ordenado y estructurado de instrucciones, pasos lógicos o reglas predefinidas, finitas y jerarquizadas, cuyos pasos sucesivos permiten llevar a cabo una tarea o resolver un problema, efectuando la toma de decisiones pertinente sin dudas ni ambigüedades.
Algoritmo
Fuente: https://www.caracteristicas.co/algoritmo/#ixzz6Zwx0b12C
https://colab.research.google.co m/notebooks/welcome.ipynb?hl =es_US#scrollTo=-Rh3-Vt9Nev9
https://sites.google.com/site/info080910/lenguajes-de-programacion
9
FUNDAMENTOS DE MACHINE LEARNING Introducciรณn
Lenguaje de mรกquina Es el sistema de cรณdigo directamente interpretable por un circuito micro programable, como el microprocesador de una computadora o el microcontrolador de un autรณmata.
10
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
¿Qué es el Machine Learning? El aprendizaje automático o Machine Learning se engloba dentro de las disciplinas de la Inteligencia Artificial (IA) Es un método científico que nos permite usar los ordenadores y otros dispositivos con capacidad computacional para que aprendan a extraer los patrones y relaciones que hay en nuestros datos por sí solos. Esos patrones se pueden usar luego para predecir comportamientos y en la toma de decisiones. Este poderoso conjunto de algoritmos y los modelos se utilizan en todas las industrias para mejorar procesos y obtener información sobre patrones y anomalías dentro datos. 11
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
Como los datos están constantemente fluctuando , los modelos de aprendizaje automático aseguran que la solución sea constantemente actualizada. El valor es sencillo: si utiliza el fuentes de datos más apropiadas y en constante cambio en el contexto del aprendizaje automático, tiene la oportunidad de predecir el futuro. El aprendizaje automático es una forma de IA que permite que un sistema aprenda a partir de datos en lugar de a través de programación explícita.
12
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
El aprendizaje automático (ML) permite a los modelos entrenarse en conjuntos de datos antes de implementarlos. Algunos modelos de aprendizaje automático están en línea y son continuos. Este proceso iterativo de modelos en línea conduce a una mejora en los tipos de asociaciones realizadas entre elementos de datos.
Enfoques basados en el tipo y volumen de los datos.
Debido a su complejidad y tamaño, estos patrones y asociaciones podrían haber sido fácilmente pasados por alto por la observación humana. Entorno
13
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
A medida que los algoritmos ingieren datos de entrenamiento, es posible producir modelos más precisos basados en esos datos.
Un modelo de aprendizaje automático (ML) es el resultado generado cuando entrena su algoritmo de aprendizaje automático con datos. Después del entrenamiento, cuando proporcione un modelo con una entrada, se le dará una salida. Por ejemplo, un algoritmo predictivo creará un modelo predictivo. Luego, cuando proporcione datos al modelo predictivo, recibirá una predicción basada en los datos que entrenaron el modelo.
14
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
15
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
https://www.um.es/LEQ/Atmosferas/Ch-VI-3/F63s5p1.htm
16
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
Para comprender el papel del aprendizaje automático, debemos brindarle algún contexto del IA, aprendizaje automático y aprendizaje profundo, son todos términos que se mencionan con frecuencia cuando se habla de big data, analítica y tecnología avanzada.
La IA puede entenderse como una forma más amplia de describir sistemas que pueden "pensar". Por ejemplo, termostatos que aprenden sus preferencias, esto es considerados como sistemas de IA.
17
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
Razonamiento: (Reasoning) el razonamiento de máquina permite que un sistema haga inferencias basadas en datos. En esencia, el razonamiento ayuda a completar los espacios en blanco cuando hay datos incompletos. Razonamiento mecánico ayuda a entender los datos conectados. Procesamiento del lenguaje natural (NLP): (Natural Language Processing ) es la capacidad de entrenar a las computadoras para comprender tanto el texto escrito como habla. Se necesitan técnicas de PNL para captar el significado de texto no estructurado de documentos o comunicaciones del usuario. Por lo tanto, la PNL es la principal forma en que los sistemas pueden interpretar texto y lenguaje hablado. La PNL es también uno de los tecnologías fundamentales que permiten a las personas no técnicas interactuar con tecnologías avanzadas. Las herramientas necesarias para la PNL incluyen categorización, ontologías, tapping, catálogos, diccionarios y modelos de lenguaje. Planificación : (Planning) la planificación automatizada es la capacidad de una sistema para actuar de forma autónoma y flexible para construir un secuencia de acciones para alcanzar una meta final. Preferible a proceso de toma de decisiones preprogramado que va desde A a B a C para alcanzar un resultado final, la planificación automatizada es complejo y requiere un sistema de adaptación basado en contexto que rodea el desafío dado. 18
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
19
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
Aprendizaje supervisado El aprendizaje supervisado generalmente comienza con un conjunto establecido de datos y una cierta comprensión de cómo se clasifican esos datos. El aprendizaje supervisado está destinado a encontrar patrones en los datos que se puedan aplicar a un proceso de análisis. Estos datos tienen características etiquetadas que definen el significado de los datos.
https://medium.com/soldai/tipos-de-aprendizaje-autom%C3%A1tico
20
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
Aprendizaje sin supervisiรณn El aprendizaje no supervisado se utiliza cuando el problema requiere una gran cantidad de datos sin etiquetar. Comprender el significado detrรกs de estos datos requiere algoritmos que clasifiquen los datos en funciรณn de los patrones o grupos que encuentra. El aprendizaje no supervisado lleva a cabo un proceso iterativo, analizando datos sin intervenciรณn humana. https://medium.com/soldai/tipos-de-aprendizaje-autom%C3%A1tico
21
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
Aprendizaje Reforzado
El aprendizaje por refuerzo es un modelo de aprendizaje conductual. El algoritmo recibe comentarios del análisis de datos, lo que guía al usuario hacia el mejor resultado. El aprendizaje por refuerzo se diferencia de otros tipos de aprendizaje supervisado porque el sistema no está entrenado con el conjunto de datos de muestra.
https://medium.com/soldai/tipos-de-aprendizaje-autom%C3%A1tico
22
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
https://www.um.es/LEQ/Atmosferas/Ch-VI-3/F63s5p1.htm
23
FUNDAMENTOS DE MACHINE LEARNING Que es Machine Learning
Aprendizaje Profundo El aprendizaje profundo (Deep Learning) es un método específico de aprendizaje automático que incorpora redes neuronales en capas sucesivas para aprender de los datos de manera iterativa. El aprendizaje profundo es especialmente útil cuando intentas aprender patrones a partir de datos no estructurados. https://www.um.es/LEQ/Atmosferas/Ch-VI-3/F63s5p1.htm
Las redes neuronales complejas de aprendizaje profundo están diseñadas para emular cómo funciona el cerebro humano, por lo que las computadoras pueden capacitarse para lidiar con abstracciones y problemas mal definidos. Las redes neuronales y el aprendizaje profundo se utilizan a menudo en aplicaciones de reconocimiento de imágenes, voz y visión por computadora. 24
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning
Antes de poder definir la estrategia, debe comprender problema que estรกs intentando resolver
25
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning Para que un algoritmo sea operativo, debe estar compuesto como un programa que las computadoras puedan entender. Algoritmos de aprendizaje automático se escriben con mayor frecuencia en uno de varios idiomas: Java, Python, R. Cada uno de estos lenguajes incluye aprendizaje automático con bibliotecas que admiten una variedad de algoritmos de aprendizaje automático. Además, estos idiomas tienen comunidades de usuarios activas que contribuyen regularmente con código y discutir ideas, desafíos y enfoques a los problemas empresariales.
Los algoritmos de aprendizaje automático son diferentes de otros algoritmos. Con la mayoría de los algoritmos, un programador comienza ingresando el algoritmo. Sin embargo, con el aprendizaje automático, el proceso es volteado. Con el aprendizaje automático, los propios datos crean el modelo. Cuantos más datos se agreguen al algoritmo, más sofisticado el algoritmo se convierte como algoritmo de aprendizaje automático
26
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning Tipos de algoritmos de aprendizaje automático Seleccionar el algoritmo correcto es parte ciencia y parte arte. Dos datos científicos pueden ser encargados de resolver el mismo desafío empresarial y puede elegir diferentes algoritmos para abordar el mismo problema. Bayesiano Los algoritmos bayesianos permiten a los científicos de datos codificar características anteriores sobre el aspecto que deberían tener los modelos, independientemente de los estados de los datos. Estos algoritmos son especialmente útiles cuando no tiene una gran cantidades de datos para entrenar con confianza un modelo. Clúster La agrupación en clústeres es una técnica bastante sencilla de entender: los objetos con parámetros similares se agrupan (en un clúster). Árbol de decisión (Decision tree) Los algoritmos de árbol de decisión utilizan una estructura de ramificación para ilustrar la resultados de una decisión. Los árboles de decisión se pueden utilizar para mapear los posibles resultados de una decisión. 27
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning Reducción de dimensionalidad (Dimensionality Reduction) La reducción de la dimensionalidad ayuda a los sistemas a eliminar datos que no son útil para el análisis. Este grupo de algoritmos se utiliza para eliminar datos redundantes, valores atípicos y otros datos no útiles. En la Dimensionalidad La reducción puede ser útil al analizar datos de sensores y otros casos de uso de Internet de las cosas (IoT)
Basado en instancias (Instance based) Los algoritmos basados en instancias se utilizan cuando desea categorizar nuevos puntos de datos basados en similitudes con los datos de entrenamiento. Redes neuronales y aprendizaje profundo (Neural networks and deep learning) Una red neuronal intenta imitar la forma en que un cerebro humano aborda problemas y utiliza capas de unidades interconectadas para aprender e inferir relaciones basadas en datos observados. Regresión lineal (Linear regression) Los algoritmos de regresión se utilizan comúnmente para análisis estadístico y son algoritmos clave para su uso en el aprendizaje automático. 28
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning
Las técnicas de aprendizaje automático tienen el potencial de remodelar por completo mercados y estrategias comerciales. El aprendizaje automático se están utilizando técnicas para transformar las acciones predictivas
-
La industria del automóvil con coches autónomos. La industria de Facilites Healt. Mantenimiento industrial/ Infraestructura Física. Logística. Aeroespacial. Militar.
El aprendizaje puede proporcionar formas proactivas de anticipar las vulnerabilidades de seguridad, que pueden repararse antes de que se produzcan daños.
29
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning
raona/machine-learning-whitepaper
Image source: http://www.cognub.com/index.php/cognitive-platform/
30
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning
https://www.blueoceands.com/
31
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning
https://www.researchgate.net/figure/Attack-surface-of-Cyber-Physical-System-
32
FUNDAMENTOS DE MACHINE LEARNING Aplicabilidad Machine Learning
https://www.edgexfoundry.org/blo
33
FUNDAMENTOS DE MACHINE LEARNING
»ibm.com/machinelearning: See how companies are using machine learning to address challenges and pursue new opportunities. »»ibm-ml-hub.com: Get practical know-how to quickly and powerfully apply machine learning to start transforming your business. »»ibm.com/datascience: Research the capabilities that best meet your needs and learn how collaboration is enabling data science teams to innovate with quick time to value. »»datascienceforall.com: Whether you’re a coder interested in the latest open-source capabilities or an analyst looking for drag-and-drop tools to collaborate on data science projects and move quickly, visit the data science community to find the latest best practices and resources to help you succeed.
»»datasciencemeetups.com: Keep up to date on the latest meetups in your area, or join a virtual meetup featuring data science experts and sharing. 34
• https://www.hhi.fraunhofer.de/en/departments/vca/research-groups/machine-learning/publications.html • https://www.ibm.com/internet-of-things/learn/ai-for-engineering-requirements/index.html?chapter-05 • https://www.itu.int/en/journal/001/Pages/06.aspx • Machine Learning For Dummies®, IBM Limited Edition Published by John Wiley & Sons, Inc. 111 River St. Hoboken, NJ 07030-5774 • https://www.sciencedirect.com/science/article/abs/pii/S095741742030823X
35
Juan Camilo Pimiento. jpimiento@Outlook.es 57 3012818089 in/juan-camilo-pimiento
36