A1

S6. Actividad 1: Observación, visitas, recorrido y diario de campo.

10:42 p.m.

Tema de investigación: “Learning Machine / Aprendizaje Automático”.
Para llegar a este punto, hemos obtenido información confiable sobre el tema; conceptos, historia, propósitos, aplicaciones, entre otros.
Nos enfocaremos en la sociedad, en cómo las personas viven su día a día con este tipo de tecnología y lo ignoran; principalmente la población joven, un gran porcentaje de ellos cuenta con un smartphone, acceso a internet, etc., desafortunadamente no le dan el uso que se debiera.
Queremos saber si conocen cómo funciona su dispositivo móvil, algo muy sencillo como son las recomendaciones de diversas plataformas, qué es el Aprendizaje Automático, su visión de la tecnología. cómo imaginan el futuro con ella, qué expectativas tienen sobre el tema, etc., igualmente, en caso de que el entrevistado no tuviera conocimiento sobre el Learning Machine, dar una breve, confiable y concisa explicación acerca de éste.
Podemos notar que la mayoría de los informantes, como mencionamos anteriormente, jóvenes, dedican la mayor parte de su tiempo a las redes sociales, compartir contenido que ni siquiera saben si es fiable y escuchar música en las diversas plataformas que internet nos ofrece.
Las entrevistas serán realizadas personalmente, por mensajería instantánea y si fuera posible, por videollamada, debido a que la población que será entrevistada es de diversas ciudades de latinoamérica, queremos que esta investigación obtenga grandes estadísticas, más generales, no solo centrarnos en nuestro alrededor, ¿cómo contactaremos a los futuros entrevistados? Internet; así es, gracias a diversas redes sociales, hemos tenido contacto por años con personas de todo el continente, incluso de otros continentes, que nos ayudarán en el proceso de esta investigación.
Hemos concretado diferentes días, horarios y medios para llevar a cabo las entrevistas, en ellas revisaremos algunos puntos como:

  • Inteligencia Artificial
  • Uso de tecnologías
  • Learning Machine
  • Opinión sobre la tecnología.
  • Procesos automatizados.
  • Qué tanto saben sobre los dispositivos que usan día a día.
  • Expectativas del Learning Machine  para con ellos.

A1

S5. Actividad 1 Buscadores y sitos especializados en Internet

8:48 a.m.

FICHAS BIBLIOGRÁFICAS: "MACHINE LEARNING"


Buscador:  Dialnet
Tema: Aprendizaje Automático - Machine Learning
Texto 1:
“El Aprendizaje Automático, aka Machine learning, es la rama de la Inteligencia Artificial que se dedica al estudio de los agentes/programas que aprenden o evolucionan basados en su experiencia, para realizar una tarea determinada cada vez mejor. El objetivo principal de todo proceso de aprendizaje es utilizar la evidencia conocida para poder crear una hipótesis y poder dar una respuesta a nuevas situaciones no conocidas.” (Mitchell, 1997)
Datos de la fuente:
Título: Machine Learning
Autor:  Mitchell, Tom
Año de publicación: 1997
Editorial: Mc Graw Hill

Buscador:  Dialnet
Tema: Ámbitos de aplicación del Machine Learning
Texto 2:
“El campo de aplicación práctica depende de la imaginación y de los datos que estén disponibles en la empresa. Estos son algunos ejemplos más:
  • Detectar fraude en transacciones.
  • Predecir de fallos en equipos tecnológicos.
  • Prever qué empleados serán más rentables el año que viene (el sector de los Recursos Humanos está apostando seriamente por el Machine Learning).
  • Seleccionar clientes potenciales basándose en comportamientos en las redes sociales, interacciones en la web…
  • Predecir el tráfico urbano.
  • Saber cuál es el mejor momento para publicar tuits, actualizaciones de Facebook o enviar las newsletter.
  • Hacer prediagnósticos médicos basados en síntomas del paciente.
  • Cambiar el comportamiento de una app móvil para adaptarse a las costumbres y necesidades de cada usuario.
  • Detectar intrusiones en una red de comunicaciones de datos.
  • Decidir cuál es la mejor hora para llamar a un cliente.” (González, 2014)
Datos de la fuente:
Título: ¿Qué es Machine Learning?
Autor:  González, Andrés
Fecha de publicación: 01 julio, 2014
Extraído de: http://cleverdata.io/que-es-machine-learning-big-data/

Buscador:  Google Académico
Tema: Problems / Problemas
Texto 3:
“Binary Classification is probably the most frequently studied problem in machine learning and it has led to a large number of important algorithmic and theoretic developments over the past century. In its simplest form it reduces to the question: given a pattern x drawn from a domain X, estimate which value an associated binary random variable y ∈ {±1} will assume. For instance, given pictures of apples and oranges, we might want to state whether the object in question is an apple or an orange. Equally well, we might want to predict whether a home owner might default on his loan, given income data, his credit history, or whether a given e-mail is spam or ham. The ability to solve this basic problem already allows us to address a large variety of practical settings” (Smola & Vishwanathan, 2008)
“La clasificación binaria es probablemente el problema más frecuentemente estudiado, en el Learning Machine y ha llevado a un gran número de algoritmos importantes y desarrollos teóricos durante el siglo pasado.
 En su forma más simple,
 reduce a la pregunta: dado un patrón x extraído de un dominio X, estimado
Cuyo valor asumirá una variable aleatoria binaria asociada y ∈ {± 1}.
Por ejemplo, dado los cuadros de las manzanas y de las naranjas, podríamos desear, si el objeto en cuestión es una manzana o una naranja. Igualmente, bien, nosotros podríamos querer predecir si un dueño de casa podría fallar en su préstamo, datos de ingresos, su historial de crédito, o si un correo electrónico dado es spam. La capacidad de resolver este problema básico ya nos permite abordar una gran variedad de configuraciones prácticas” (Smola & Vishwanathan, 2008)

Datos de la fuente:
Título: Introduction to Machine Learning
Autor:  Smola, Alex & Vishwanathan, S.V.N
Año de publicación: 2008
Editorial: Cambridge University



Buscador:  Cybertesis
Tema: Introducción al Aprendizaje de Máquina I
Texto 4:
“Find a bug in a program, and fix it, and the program will work today. Show the program how to find and fix a bug, and the program will work forever.” Oliver G. Selfridge
“Se dice que un programa aprende de una experiencia E con respecto a una clase de tareas T y medida de desempeño P, si su desempeño en las tareas en T, de acuerdo con la medida P, mejora con la experiencia E.” (González F. , 2007)
Datos de la fuente:
Título: Introducción al Aprendizaje de Máquina I
Autor:  González, Fabio
Fecha de publicación: 08 febrero, 2007
Extraído de: http://dis.unal.edu.co/~fgonza/courses/2007-I/ml/ml-01-introduction.pdf


Buscador:  Dialnet
Tema: Minería de datos (data mining)
Texto 5:
“No es raro ver cómo se usan indiferentemente los conceptos minería de datos y machine learning. Son conceptos primos hermanos. Desde nuestro punto de vista, la principal diferencia radica en el objetivo que tiene cada una de las disciplinas. Mientras que la minería de datos descubre patrones anteriormente desconocidos, el machine learning se usa para reproducir patrones conocidos y hacer predicciones basadas en los patrones.
En pocas palabras se podría decir que la minería de datos tiene una función exploratoria mientras que el machine learning se focaliza la predicción.” (González A. , Clever Data, 2014)

 Datos de la fuente:
Título: Conceptos básicos de Machine Learning
Autor:  González, Andrés
Fecha de publicación: 30 julio, 2014
Extraído de: http://cleverdata.io/conceptos-basicos-machine-learning/

Bibliografía

González, A. (30 de 07 de 2014). Clever Data. Obtenido de http://cleverdata.io/conceptos-basicos-machine-learning/
González, A. (01 de 07 de 2014). CleverData. Obtenido de http://cleverdata.io/que-es-machine-learning-big-data/
González, F. (08 de 02 de 2007). Universidad Nacional de Colombia. Obtenido de http://dis.unal.edu.co/~fgonza/courses/2007-I/ml/ml-01-introduction.pdf
Mitchell, T. (1997). Machine Learning. En Machine Learning (pág. Capítulo 1). McGraw Hill.
Smola, A., & Vishwanathan, S. (2008). Problems. En Introduction to Machine Learning (págs. 9-10). Cambridge: Cambridge University.



A1

Importancia de tener un perfil completo

4:18 p.m.

Una comunidad virtual de aprendizaje está conformada por un grupo de usuarios interesados en una temática, por eso es importante que en nuestro perfil detallemos nuestros intereses, gustos, pasiones, pasatiempos, empleo actual, ciudad, etc.

Al estudiar en línea, no existe convivencia física entre profesores y alumnos, por eso la gran importancia de tener un perfil completo, así podemos identificar a cada uno de nuestros compañeros, ya sea por su foto, sus gustos o su ciudad, según sea el caso, además que, para personas como yo, que no somos muy buenas relacionándonos, nos ayuda a que la gente nos conozca sin tener que hacernos preguntas directamente. 

Popular Posts

Like us on Facebook

Flickr Images