Scribd
Upload
86 views

Machine Learning Tensorflow

The document discusses machine learning and TensorFlow. It defines machine learning as techniques that allow machines to learn and make decisions autonomously by detecting patterns in data. The main types of machine learning are supervised learning, unsupervised learning, and reinforcement learning. It then explains that TensorFlow is an open-source library for machine learning that uses neural networks to relate data in a network similar to the human brain. It can be used for applications in healthcare, insurance, automotive and more.

Uploaded by

Abner Castillo
Copyright
© © All Rights Reserved
Available Formats
Download as DOCX, PDF, TXT or read online on Scribd
86 views

Machine Learning Tensorflow

The document discusses machine learning and TensorFlow. It defines machine learning as techniques that allow machines to learn and make decisions autonomously by detecting patterns in data. The main types of machine learning are supervised learning, unsupervised learning, and reinforcement learning. It then explains that TensorFlow is an open-source library for machine learning that uses neural networks to relate data in a network similar to the human brain. It can be used for applications in healthcare, insurance, automotive and more.

Uploaded by

Abner Castillo
Copyright
© © All Rights Reserved
Available Formats
Download as DOCX, PDF, TXT or read online on Scribd
You are on page 1/ 3

UNIVERSIDAD SAN PABLO DE GUATEMALA

Facultad de Ingeniería
Licenciatura en Ingeniería en Tecnología industrial
Licenciatura en Ingeniería Sistemas y Ciencias de la Comunicación

TAREA MACHINE LEARNING Y TENSORFLOW


curso: Sistemas Expertos
Impartido por: Ing. Marcos Orozco

Abner Antulio Morales Castillo

Escuintla 29/06/2017
MACHINE LEARNING

¿Qué es Machine Learning?

A grandes rasgos podríamos decir que el Machine Learning o aprendizaje automático es un


tipo de Inteligencia Artificial dirigido al desarrollo de técnicas para que las máquinas puedan
aprender y tomar decisiones por sí mismas.
Este aprendizaje es posible gracias a la detección de patrones dentro de un conjunto de
datos de manera que es el propio programa el que predice qué situaciones podrían darse o
no. Estos cálculos son los que les permiten aprender para, finalmente, generar decisiones y
resultados fiables.
Machine Learning Supervisado y Machine Learning no Supervisado
El Machine Learning es un campo muy amplio. Su rápida expansión está haciendo, además,
que este se vea continuamente dividido en diferentes especialidades entre las que cabe
destacar:
 Machine Learning Supervisado. Es el más utilizado y requiere de intervención
humana para la creación de etiquetas en el histórico de datos de manera que la
máquina pueda predecir un resultado probable a partir de las mismas. Este método
se utiliza, por ejemplo, para la predicción de posibles reclamaciones en sistemas de
atención al cliente.
Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de escritura,
entre otros.

 Machine Learning no Supervisado. El aprendizaje no supervisado es menos común


y utiliza datos históricos que no han sido etiquetados. El objetivo es encontrar
patrones a partir del propio análisis de datos. Un uso muy frecuente es el de
segmentación de clientes con atributos similares para campañas de marketing.
Ejemplos: detectar morfología en oraciones, clasificar información, etc.

 Reinforcement learning: En este caso particular, la base del aprendizaje es el


refuerzo. La máquina es capaz de aprender con base a pruebas y errores en un
número de diversas situaciones.
Aunque conoce los resultados desde el principio, no sabe cuáles son las mejores
decisiones para llegar a obtenerlos. Lo que sucede es que el algoritmo
progresivamente va asociando los patrones de éxito, para repetirlos una y otra vez
hasta perfeccionarlos y volverse infalible.
Ejemplos: navegación de un vehículo en automático, toma de decisiones, etc.
TENSOR FLOW
¿En qué consiste TensorFlow?
TensorFlow es una biblioteca de código abierto que se basa en un sistema de redes
neuronales. Esto significa que puede relacionar varios datos en red simultáneamente, de
la misma forma que lo hace el cerebro humano. Por ejemplo, puede reconocer varias
palabras del alfabeto porque relaciona las letras y fonemas. Otro caso es el de imágenes y
textos que se pueden relacionar entre sí rápidamente gracias a la capacidad de asociación
del sistema de redes neuronales. En el programa, se almacenan todas las pruebas y
experimentos que se realizaron para el desarrollo de programas y aplicaciones.

La decisión de liberar TensorFlow se tomó en noviembre de 2015, por lo que hoy es posible
acceder a esta herramienta libremente y editarla en función de las necesidades. Ya cuando
se lanzó, la capacidad de reconocimiento y relación que tenía era superior al 93 % en
las imágenes, y su perfeccionamiento a través de la licencia OpenSource ha permitido su
uso masivo. Además, también consiguió que en la versión de 2015 el tiempo
de procesamiento se redujese a los 0,7 segundos de media. Por lo tanto, se trata de una
herramienta que mejoró en capacidad de procesamiento y en rapidez.

Aplicaciones de TensorFlow

Los directivos de Google consideran que TensorFlow puede ser muy útil para las empresas
sanitarias, de seguros y automovilísticas. Desde que liberó el código, varias
empresas utilizan el software o se han basado en el mismo para desarrollar aplicaciones. El
gigante de los seguros AXA ya utiliza el software para predecir (con un 78% de acierto) las
posibilidades de que un asegurado cause un grave accidente de coche. Otra aplicación
popular derivada del uso de los datos de TensorFlow es el motor de reconocimiento de
imágenes DeepDream. Miles de startups einvestigadores universitarios apuestan por
TensorFlow como base para desarrollar sus propios sistemas de inteligencia artificial.

Además de por altruismo, Google liberó TensorFlow para extender esta tecnología en el
desarrollo de aplicaciones en distintos dispositivos. También podemos decir que responde
a una estrategia a largo plazo para estar presentes en más dispositivos y plataformas. Una
ventaja de la política de Google es que sus competidores, Amazon y Microsoft, se
vieron obligados a facilitar herramientas de inteligencia artificial con código abierto. Hoy,
ofrecer herramientas de libre acceso de inteligencia artificial es una política de empresa,
sobre todo en el sector tecnológico.

You might also like