ilovepdf_merged (1).pdf

Introducción a Python: El Lenguaje de Programación Versátil Introducción a Python Python es un lenguaje de programación interpretado, versátil y de alto nivel. Su sintaxis sencilla y legible lo hace ideal para principiantes. Python es utilizado en desarrollo web, análisis de dato...

Introducción a Python: El Lenguaje de Programación Versátil Introducción a Python Python es un lenguaje de programación interpretado, versátil y de alto nivel. Su sintaxis sencilla y legible lo hace ideal para principiantes. Python es utilizado en desarrollo web, análisis de datos, inteligencia artificial, y más. Tipos de Datos en Python En Python, los tipos de datos incluyen enteros, flotantes, cadenas, listas, tuplas y diccionarios. La flexibilidad de Python permite manipular estos tipos de datos de forma sencilla y eficiente. Estructuras de Control Las estructuras de control en Python incluyen condicionales, bucles y funciones. Estas herramientas permiten controlar el flujo de un programa y realizar tareas repetitivas de manera eficiente. Funciones y Módulos Las funciones en Python permiten encapsular bloques de código para reutilización. Los módulos son archivos que contienen funciones y variables relacionadas, facilitando la organización y reutilización de código. Gestión de Errores Python ofrece mecanismos para gestionar errores de manera elegante, incluyendo el uso de bloques try-except. Esto permite manejar situaciones inesperadas de forma controlada y predecible. Trabajo con Archivos Python facilita la lectura y escritura de archivos con funciones integradas y módulos especializados. Esto permite manipular datos externos de manera eficiente y flexible.  Programación Orientada a Objetos Python soporta la programación orientada a objetos, permitiendo la creación de clases y objetos para modelar entidades del mundo real. Esto facilita la organización y reutilización de código. Desarrollo Web con Python Python es ampliamente utilizado en el desarrollo web a través de frameworks como Django y Flask. Estos frameworks permiten construir aplicaciones web de manera rápida y eficiente. Análisis de Datos con Python Python es una herramienta poderosa para el análisis de datos gracias a bibliotecas como Pandas, NumPy y Matplotlib. Estas bibliotecas facilitan la manipulación y visualización de datos de manera eficiente.  Inteligencia Artificial con Python Python es ampliamente utilizado en el campo de la inteligencia artificial gracias a bibliotecas como TensorFlow y PyTorch. Estas bibliotecas permiten desarrollar modelos de aprendizaje automático de forma eficiente. Aplicaciones de Python Python tiene aplicaciones en una amplia gama de campos, incluyendo desarrollo de juegos, automatización de tareas, criptografía y más. Su versatilidad lo hace una herramienta invaluable para programadores. Conclusión Python es un lenguaje de programación versátil y poderoso que se utiliza en una variedad de campos. Su sintaxis clara, amplia comunidad y abundancia de bibliotecas lo hacen ideal para programadores de todos los niveles. DOCENTE: Ing. Jerling Hurtado González, Ms. Machala, 2024 TECNOLOGÍAS DE LA INFORMACIÓN II UNIDAD II: Inteligencia Computacional. Tema: Inteligencia artificial: - Definición de Inteligencia Artificial - Tipos de Inteligencia Artificial - Modelos de entrenamiento de Inteligencia Artificial Objetivo: Desarrollar habilidades en Inteligencia Artificial para la resolución de problemas del mundo real. INTELIGENCIA ARTIFICIAL  INTELIGENCIA ARTIFICIAL EVOLUCIÓN Desde la Antigüedad, la especie humana ha soñado con la máquina, con diseñar y construir ingenios que le hicieran más fáciles las tareas más frecuentes. Incluso para el mero entretenimiento se desarrollaron mecanismos autómatas que reproducían figuras de seres vivos y realizaban movimientos de forma repetitiva. Desde la década de los cuarenta del siglo pasado existe la computación, que no deja de ser una programación para que una máquina responda a una tarea previamente planificada. La Inteligencia Artificial (IA) va más allá y esa misma programación enseña a la máquina a dar sus propias respuestas tanto con los datos que se le han introducido como con la interacción con los usuarios y aplica el autoaprendizaje. Así, la definición de Inteligencia Artificial podría ser: Simulación de la inteligencia humana por parte de las máquinas.  INTELIGENCIA ARTIFICIAL ¿QUÉ ES? La inteligencia artificial (IA) es la base a partir de la cual se imitan los procesos de inteligencia humana mediante la creación y la aplicación de algoritmos creados en un entorno dinámico de computación. O bien, dicho de forma sencilla, la IA consiste en intentar que los ordenadores piensen y actúen como los humanos. Para conseguirlo, se necesitan tres componentes fundamentales: Sistemas computacionales Datos y gestión de los mismos Algoritmos de IA avanzados (código) Cuanto mayor sea el parecido al comportamiento humano que queremos conseguir, más datos y capacidad de procesamiento se necesitará.  INTELIGENCIA ARTIFICIAL Ejemplos de IA En la vida diaria hay cientos de ejemplos de inteligencia artificial aunque no seamos conscientes de ello, desde la ubicación de los productos en el lineal de un supermercado a un carro autónomo. La vivienda inteligente Los termostatos para la refrigeración ya son inteligentes. Han tomado conocimiento de las personas que ocupan la zona, de la temperatura exterior y de cuáles son nuestras preferencias. El ‘cerebro’ del regulador dictará las órdenes precisas al sistema de calefacción o de frío para bajar o subir temperaturas.  INTELIGENCIA ARTIFICIAL Ejemplos de IA Correo electrónico El ‘simple’ email es otro caso de IA. La mayoría de los servicios de correo electrónico reconocen e identifican correos no deseados y spam, saben cuáles serán aceptados por el receptor y cuáles seleccionan para dirigirlos a carpetas no principales. Las relaciones virtuales Las redes sociales monitorean a tiempo real nuestras preferencias, nuestros gustos, el perfil de nuestros contactos. Con estos datos nos van a sugerir ‘amistades’ o perfiles a los que seguir, nos van a hacer recomendaciones y lo que aún sorprende: nos van a presentar publicidad individualizada sobre productos o servicios que hemos buscado en algún momento.  INTELIGENCIA ARTIFICIAL Ejemplos de IA Música, cine, ocio El ocio es uno de los espacios preferidos por la Inteligencia Artificial. Sabe qué vemos a través de Netflix, HBO, etc…. también lo que escuchamos en Spotify. ¿Cómo es posible que nos ofrezca pop, rock, latinoamericano, folclore o melódica? Un servidor nos sigue y analiza preferencias, conoce cuáles son nuestras descargas, sabe lo que escuchamos y en su Inteligencia Artificial ‘piensa’ qué nos gusta para ofrecérnoslo… es cierto que nos ofrece un servicio, pero también publicidad.  INTELIGENCIA ARTIFICIAL Ejemplos de IA Los buscadores ¿Y Google?... Es uno de los grandes ejemplos de la Inteligencia Artificial en la vida cotidiana. No solo predice nuestras búsquedas (buscador), sino que también lo utiliza en su correo electrónico, en la aplicación de Mapas, en Ads (anuncios), en la búsqueda de sinónimos, de palabras similares, etc. El ecommerce El comercio electrónico, la venta por Internet, llegó, incluso igualó al presencial y lo superó durante el confinamiento. ¿Qué es, en qué se fundamenta? ¿Cómo es posible que nuestro ordenador personal sepa lo que vamos a buscar? Respuesta: Inteligencia artificial. Los ecommerce a los que recurrimos han recopilado información sobre nuestros hábitos y nos van a personalizar la oferta.  INTELIGENCIA ARTIFICIAL Ejemplos de IA Diagnósticos médicos En la medicina, una máquina es capaz de hacer un diagnóstico bastante preciso conociendo qué dolencias, síntomas y analítica presentamos. De esta manera, muchos tratamientos nos pueden venir impuestos si el ingenio sabe cuál es nuestro perfil, morfología y/o ADN. TIPOS DE INTELIGENCIA ARTIFICIAL  INTELIGENCIA ARTIFICIAL Herramientas construidas para resolver tareas específicas del mismo modo en que lo haría el razonamiento humano. Sistemas expertos Ejemplos: Control de inventario, evaluación de mercancías, planeación empresarial. Permite que las máquinas extraigan información nueva a partir de aquella con la que se le alimenta, con el fin de obtener un Redes aprendizaje de ella. TIPOS DE IA neuronales artificiales Ejemplos: Atención al cliente, automatización de procesos, creación de contenido. Llevan a cabo tareas más complicadas y con requisitos computacionales elevados. Estas tecnologías destacan por tener un Deep learning código complicado y por ser alimentadas con extensas bases de (Aprendizaje datos. profundo) Ejemplos: Estimación financiera, Marketing, seguridad.  INTELIGENCIA ARTIFICIAL Hoy en día existen robots capaces de caminar, hacer tareas complejas e incluso jugar ajedrez gracias a sistemas de visión computacional, algoritmos de aprendizaje y código que les Robótica permite tomar decisiones. Ejemplos: Logística, producción, atención al cliente. TIPOS DE IA Tienen la capacidad de tomar decisiones y actuar con base en ellas mediante razonamientos similares a los de los seres Agentes inteligentes humanos. Ejemplos: Asistentes personales, logística. MODELOS DE ENTRENAMIENTO DE INTELIGENCIA ARTIFICIAL APRENDIZAJE SUPERVISADO Y NO SUPERVISADO Los modelos de aprendizaje supervisados y no supervisados funcionan de maneras únicas para ayudar a las empresas a interactuar de mejor manera con sus consumidores. La tecnología inteligente está en todas partes y se extiende a casi todos los aspectos de la vida diaria. Los consumidores esperan obtener más información y automatización con mayor rapidez, todo con solo hacer clic en un botón. Para mantenerse al día, las empresas deben seguir adaptando e implementando las tecnologías más recientes o asumir el riesgo de quedarse atrás. APRENDIZAJE SUPERVISADO Y NO SUPERVISADO El avance de la inteligencia artificial (IA) en las empresas ha crecido esta necesidad. Los sistemas de seguridad pueden convertir los escaneos de huellas digitales y rostros en datos biométricos para desbloquear puertas y teléfonos inteligentes. Todas estas notables tecnologías se están volviendo cada vez más avanzadas mediante el uso de algoritmos de aprendizaje automático (ML – Machine Learning). APRENDIZAJE SUPERVISADO Y NO SUPERVISADO El aprendizaje automático es un subconjunto de la IA. Más específicamente, es una aplicación de inteligencia artificial que les proporciona a los sistemas la capacidad de aprender y mejorar a partir de los datos. De la misma manera en la que los seres humanos aprendemos de las experiencias cotidianas, el ML mejora gradualmente las predicciones y la exactitud en varias iteraciones. APRENDIZAJE SUPERVISADO Y NO SUPERVISADO El ML funciona en tres tipos de algoritmos: supervisado, no supervisado y reforzado. En el aprendizaje de refuerzo, las máquinas están entrenadas para crear una secuencia de decisiones. El aprendizaje supervisado y el aprendizaje no supervisado son dos enfoques clave en el campo de la inteligencia artificial y el aprendizaje automático. APRENDIZAJE SUPERVISADO Y NO SUPERVISADO APRENDIZAJE SUPERVISADO En el aprendizaje supervisado, un algoritmo se entrena utilizando un conjunto de datos etiquetado. Esto significa que cada entrada de datos tiene una etiqueta o una respuesta conocida. El objetivo principal del aprendizaje supervisado es aprender una función que pueda mapear las entradas a las salidas conocidas. Por ejemplo, clasificar correos electrónicos como spam o no spam. APRENDIZAJE SUPERVISADO Y NO SUPERVISADO APRENDIZAJE NO SUPERVISADO En el aprendizaje no supervisado, el algoritmo se entrena en un conjunto de datos sin etiquetas. El objetivo principal es encontrar patrones o estructuras ocultas en los datos sin una guía explícita. Algunos ejemplos de técnicas de aprendizaje no supervisado incluyen la agrupación (clustering), donde se agrupan datos similares juntos, y la reducción de dimensionalidad, que reduce la cantidad de características en los datos manteniendo la información relevante. El aprendizaje no supervisado se utiliza en la exploración de datos y la identificación de patrones ocultos en grandes conjuntos de datos. APRENDIZAJE SUPERVISADO Y NO SUPERVISADO La principal diferencia entre el aprendizaje supervisado y el no supervisado es la presencia o ausencia de etiquetas en los datos de entrenamiento. El aprendizaje supervisado se utiliza cuando se conocen las respuestas deseadas, mientras que el aprendizaje no supervisado se utiliza cuando se busca descubrir patrones o estructuras en los datos sin etiquetas previas. APRENDIZAJE SUPERVISADO Y NO SUPERVISADO Desventajas del aprendizaje supervisado y no supervisado ❑El entrenamiento del aprendizaje supervisado puede tardar mucho tiempo y requiere experiencia humana para la validación de etiquetas, tanto para entradas como para salidas. Trabajar en la clasificación de Big Data plantea enormes desafíos en el aprendizaje supervisado, pero una vez etiquetados, los resultados son confiables. ❑El aprendizaje no supervisado a veces produce resultados completamente erróneos, a menos que exista algún tipo de intervención humana para validar los resultados. Muy por el contrario al aprendizaje supervisado, el aprendizaje no supervisado puede trabajar con cualquier cantidad de datos en tiempo real; sin embargo, dado que la máquina se enseña a sí misma, la transparencia en la clasificación es menor. Esto aumenta las posibilidades de obtener resultados deficientes. DOCENTE: Ing. Jerling Hurtado González, Ms. Machala, 2024 TECNOLOGÍAS DE LA INFORMACIÓN II UNIDAD II: Inteligencia Computacional. Tema: Inteligencia artificial: - Ciencia de Datos - Métodos y técnicas de aprendizaje - Ejercicios de aplicación Objetivo: Implementar técnicas y aplicaciones de la ciencia de datos para realizar análisis de datos efectivos y toma de decisión basadas en evidencia.  CIENCIA DE DATOS Combina elementos de estadística, La ciencia de datos es un matemáticas, programación, análisis de campo interdisciplinario que datos y dominio del tema para analizar involucra la extracción de datos complejos y obtener información conocimiento y entendimiento valiosa que puede ser utilizada para a partir de grandes conjuntos tomar decisiones informadas, resolver de datos. problemas y generar conocimiento.  CIENCIA DE DATOS Etapas del proceso de ciencia de datos Limpieza y Adquisición de Exploración de Modelado y Interpretación y preparación de datos datos análisis comunicación datos Una vez que se han Los datos a menudo obtenido resultados necesitan ser del análisis, es limpiados, Se realizan análisis importante Se aplican técnicas transformados y iniciales para interpretarlos en el Se recopilan datos de estadísticas y organizados en un comprender mejor los contexto del problema diversas fuentes, que algoritmos de formato adecuado datos. Esto podría o la pregunta original. pueden incluir bases aprendizaje para el análisis. Esto incluir visualizaciones, Los resultados se de datos, archivos, automático para implica tratar con estadísticas comunican a las redes sociales, extraer información valores faltantes, descriptivas y la partes interesadas en sensores, y más. significativa de los eliminar duplicados y identificación de forma de informes, datos. asegurarse de que los patrones preliminares. visualizaciones u otros datos sean coherentes formatos para y precisos. respaldar la toma de decisiones. La ciencia de datos es ampliamente utilizada en una variedad de campos, como negocios, medicina, finanzas, ciencias sociales, ingeniería y más. Las herramientas y técnicas de ciencia de datos permiten a las organizaciones y profesionales analizar grandes cantidades de datos para obtener ideas valiosas, identificar tendencias y patrones, y tomar decisiones informadas para mejorar procesos y resultados.  ¿Por qué es importante la ciencia de datos? Es importante porque combina herramientas, métodos y tecnología para generar significado a partir de los datos. Las organizaciones modernas están inundadas de datos; hay una proliferación de dispositivos que pueden recopilar y almacenar información de manera automática. Los sistemas en línea y los portales de pago capturan más datos en los campos del comercio electrónico, la medicina, las finanzas y cualquier otro aspecto de la vida humana.  CIENCIA DE DATOS Tecnologías de la ciencia de datos Inteligencia Computación en la Internet de las Computación artificial nube cosas cuántica IoT se refiere a varios dispositivos que se Las computadoras Las tecnologías en la pueden conectar de cuánticas pueden Los modelos de nube ofrecen a los forma automática a realizar cálculos machine learning y el científicos de datos la Internet. Estos complejos a alta software relacionado flexibilidad y la dispositivos recogen velocidad. Científicos con este se utilizan capacidad de datos para iniciativas de datos cualificados para los análisis procesamiento de la ciencia de las utilizan para crear predictivos y necesarias para el datos. Generan datos algoritmos prescriptivos. análisis avanzado de masivos que se cuantitativos datos. pueden utilizar para complejos. la minería y extracción de datos. DOCENTE: Ing. Jerling Hurtado González, Ms. Machala, 2024 TECNOLOGÍAS DE LA INFORMACIÓN II UNIDAD II: Inteligencia Computacional. Tema: Modelos de entrenamiento de inteligencia artificial: - Aprendizaje Supervisado - Aprendizaje no Supervisado - Aprendizaje por Refuerzo Objetivo: Analizar modelos de aprendizaje de Inteligencia Artificial para la resolución de problemas del mundo real. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO Los modelos de aprendizaje supervisados y no supervisados funcionan de maneras únicas para ayudar a las empresas a interactuar de mejor manera con sus consumidores. La tecnología inteligente está en todas partes y se extiende a casi todos los aspectos de la vida diaria. Los consumidores esperan obtener más información y automatización con mayor rapidez, todo con solo hacer clic en un botón. Para mantenerse al día, las empresas deben seguir adaptando e implementando las tecnologías más recientes o asumir el riesgo de quedarse atrás. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO El avance de la inteligencia artificial (IA) en las empresas ha aumentado esta necesidad. Los sistemas de seguridad pueden convertir los escaneos de huellas digitales y rostros en datos biométricos para desbloquear puertas y teléfonos inteligentes. Todas estas notables tecnologías se están volviendo cada vez más avanzadas mediante el uso de algoritmos de aprendizaje automático (ML – Machine Learning). APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO El aprendizaje automático es un subconjunto de la IA. Más específicamente, es una aplicación de inteligencia artificial que les proporciona a los sistemas la capacidad de aprender y mejorar a partir de los datos. De la misma manera en la que los seres humanos aprendemos de las experiencias cotidianas, el ML mejora gradualmente las predicciones y la exactitud en varias iteraciones. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO El ML funciona en tres tipos de algoritmos: supervisado, no supervisado y reforzado. En el aprendizaje de refuerzo, las máquinas están entrenadas para crear una secuencia de decisiones. Hay una diferencia clave entre el aprendizaje supervisado y no supervisado. El aprendizaje supervisado utiliza conjuntos de datos etiquetados, mientras que el aprendizaje no supervisado usa conjuntos de datos no etiquetados. El término “etiquetado” significa que los datos ya están etiquetados con la respuesta correcta. Las etiquetas permiten a los analistas aislar variables dentro de conjuntos de datos y esto, a su vez, permite seleccionar predictores de datos óptimos para los modelos de ML. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO Es una variedad del Machine Learning que permite a una Inteligencia Artificial planear estrategias efectivas en base a la experimentación con los datos. APRENDIZAJE POR REFUERZO (Reinforcement Learning) Se trata de una forma de optimización basada en datos. La máquina aprende a partir de su propia experiencia, interaccionando con el entorno hasta dar con el comportamiento ideal. A partir de la información disponible, emprenderá acciones que repetirá y “reforzará” según las recompensas que obtenga, que pueden ser positivas o negativas. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO APRENDIZAJE POR REFUERZO ¿CÓMO FUNCIONA? Más que tomar decisiones o hacer predicciones, el aprendizaje por refuerzo genera estrategias automáticamente. Esto permite, entre otras aplicaciones, un mantenimiento predictivo o la personalización de experiencias de cliente. Una de las características fundamentales de los sistemas de aprendizaje por refuerzo es la iniciativa. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO APRENDIZAJE POR REFUERZO 1. Es el propio sistema el que explota los datos, analizando las estrategias que han funcionado en el pasado y repitiéndolas cuando se presenten situaciones similares en el futuro. 2. Además, explora nuevas acciones o estrategias, evaluando la efectividad de las mismas y consiguiendo así mejorar las pasadas y prepararse ante nuevos escenarios. 3. Con esta información, se puede planear una nueva estrategia de negocio. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO APRENDIZAJE SUPERVISADO El enfoque de aprendizaje supervisado en el ML utiliza conjuntos de datos etiquetados que entrenan algoritmos para clasificar datos o predecir salidas con precisión. El aprendizaje supervisado se puede agrupar en dos tipos fundamentales: 1. Clasificación Un problema de clasificación utiliza algoritmos para ordenar los datos en segmentos específicos. Un ejemplo cotidiano de esto es un algoritmo que ayuda a rechazar spam en una bandeja de entrada de correo electrónico principal o un algoritmo que le permite a un usuario bloquear o restringir a alguien en las redes sociales. Algunos algoritmos de clasificación comunes incluyen regresión logística, k vecinos más cercanos, bosque aleatorio, clasificador bayesiano simple, descenso de gradiente estocástico y árboles de decisión. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO APRENDIZAJE SUPERVISADO 2. Regresión Este es un método estadístico y de ML que utiliza algoritmos para medir la relación entre una variable dependiente y una o más variables independientes. Con los modelos de regresión, el usuario puede hacer predicciones de causa y efecto basadas en diversos puntos de datos. Por ejemplo, en una empresa, esto podría implicar predecir la trayectoria de crecimiento de los ingresos de publicidad. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO APRENDIZAJE NO SUPERVISADO Con el aprendizaje no supervisado, se utilizan algoritmos de ML para examinar y agrupar los conjuntos de datos no etiquetados. Dichos algoritmos pueden descubrir patrones desconocidos en los datos sin supervisión humana. Existen tres categorías principales de algoritmos: 1. Agrupación de clústeres Según las similitudes o diferencias, los datos no etiquetados se clasifican mediante técnicas de agrupación de clústeres. Por ejemplo, si una empresa está trabajando en la segmentación de mercado, el algoritmo de agrupación de clústeres de K-medias asignará puntos de datos similares a los grupos que representan un conjunto de parámetros. Esto podría crear agrupaciones en función de la ubicación, los niveles de ingresos, la edad de los compradores o alguna otra variable. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO APRENDIZAJE NO SUPERVISADO 2. Asociación Si un usuario desea identificar las relaciones de las variables dentro de un conjunto de datos, usar el método de asociación de aprendizaje no supervisado es útil. Este es el método que se utiliza para crear el mensaje: “Otros clientes también vieron…” Es un método que se adapta perfectamente a los motores de recomendaciones. 15 clientes compraron un teléfono nuevo y también compraron los audífonos que lo complementan. Por lo tanto, los algoritmos recomiendan audífonos a todos los clientes que colocan un teléfono en su carro de compras. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO APRENDIZAJE NO SUPERVISADO 3. Reducción de dimensionalidad A veces, un conjunto de datos tiene un conjunto de características inusualmente alto. La reducción de la dimensionalidad ayuda a acotar este número sin comprometer la integridad de los datos. Esta es una técnica que se utiliza comúnmente antes de procesar los datos. Un ejemplo de ello es la eliminación del ruido de una imagen para mejorar su claridad visual. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO Desventajas del aprendizaje supervisado y no supervisado ❑El entrenamiento del aprendizaje supervisado puede tardar mucho tiempo y requiere experiencia humana para la validación de etiquetas, tanto para entradas como para salidas. Trabajar en la clasificación de Big Data plantea enormes desafíos en el aprendizaje supervisado, pero una vez etiquetados, los resultados son confiables. ❑El aprendizaje no supervisado a veces produce resultados completamente erróneos, a menos que exista algún tipo de intervención humana para validar los resultados. Muy por el contrario al aprendizaje supervisado, el aprendizaje no supervisado puede trabajar con cualquier cantidad de datos en tiempo real; sin embargo, dado que la máquina se enseña a sí misma, la transparencia en la clasificación es menor. Esto aumenta las posibilidades de obtener resultados deficientes. APRENDIZAJE SUPERVISADO, NO SUPERVISADO y POR REFUERZO Esta tabla ofrece una visión general simplificada de los modelos de entrenamiento en inteligencia artificial y es importante recordar que el campo de la inteligencia artificial es vasto y en constante evolución, con nuevos modelos y técnicas que emergen regularmente. DOCENTE: Ing. Jerling Hurtado González, Ms. Machala, 2024 TECNOLOGÍAS DE LA INFORMACIÓN II UNIDAD II: Inteligencia Computacional. Tema: Aplicaciones y casos de uso de inteligencia artificial: - Técnicas de inteligencia artificial para el reconocimiento de Texto - Ejercicios de aplicación para reconocimiento de Texto Objetivo: Implementar reconocimiento de Texto mediante Inteligencia Artificial. Reconocimiento de Texto con IA Introducción al Reconocimiento de Texto con IA El reconocimiento de texto con IA utiliza algoritmos para identificar, interpretar y convertir texto en imágenes o documentos en texto editable. Es fundamental para automatizar procesos, mejorar accesibilidad y analizar grandes volúmenes de datos. Se aplica en sistemas de respuesta automática, análisis de sentimientos, y automatización de entrada de datos. ¿Qué es el reconocimiento de texto? El reconocimiento de texto es una técnica analítica que consigue extraer y analizar la información que se encuentra en documentos de formato imagen, como por ejemplo JPG o PNG. Se puede aplicar a cualquier imagen que contenga texto, independientemente del idioma en el que esté el mismo.  Técnicas de IA para el Reconocimiento de Texto El PLN (Procesamiento de Lenguaje Natural) permite a las máquinas entender, interpretar y manipular el lenguaje humano. Aprendizaje automático y profundo son esenciales para el modelado de lenguaje y la clasificación de texto. Las CNN (Redes Neuronales convolucionales) se utilizan para reconocimiento de patrones en imágenes de texto, mientras que las RNN (Redes Neuronales Recurentes) gestionan secuencias de datos para traducción de texto o generación de contenido.  Herramientas y Tecnologías Emergentes TensorFlow y PyTorch son frameworks de código abierto para el desarrollo de modelos de IA, incluyendo los de reconocimiento de texto. BERT y GPT-3 son modelos de lenguaje preentrenados que ofrecen capacidades avanzadas de comprensión y generación de texto. OCR (Reconocimiento Óptico de Caracteres) es una tecnología que convierte diferentes tipos de documentos, como imágenes escaneadas de texto impreso, en datos editables, mientras que Tesseract es un motor de OCR de código abierto. Desafíos en el Reconocimiento de Texto con IA La ambigüedad del lenguaje natural y los errores de contexto pueden llevar a interpretaciones incorrectas. El entrenamiento de modelos de IA requiere grandes conjuntos de datos anotados, lo cual es un desafío en términos de tiempo y recursos. La recopilación y análisis de textos plantean preocupaciones éticas y de privacidad, especialmente con datos sensibles. Futuro del Reconocimiento de Texto con IA Se anticipan avances en algoritmos de IA que mejorarán la precisión y eficiencia del reconocimiento de texto. La expansión de aplicaciones incluirá mejoras en accesibilidad para personas con discapacidad, automatización de tareas administrativas y análisis de datos en tiempo real. El impacto en la sociedad incluirá mayor eficiencia en sectores como salud, educación y servicios financieros, pero también plantea desafíos éticos. Ejercicios de Aplicación para Reconocimiento de Texto Crear un sistema simple de OCR para convertir imágenes de texto en texto editable usando Python y Tesseract. Desarrollar un análisis de sentimientos en reseñas de productos utilizando PLN para clasificarlas como positivas o negativas. Implementar una clasificación automática de documentos para organizar archivos en categorías basadas en su contenido. DOCENTE: Ing. Jerling Hurtado González, Ms. Machala, 2024 TECNOLOGÍAS DE LA INFORMACIÓN II UNIDAD II: Inteligencia Computacional. Tema: Aplicaciones y casos de uso de inteligencia artificial: - Asistentes virtuales - ChatBots - Ejercicios de aplicación usando asistentes virtuales y chatbots. Objetivo: Implementar asistentes virtuales y chatbots para la interacción con los usuarios.  BOT Un bot es un programa informático que efectúa automáticamente tareas reiterativas mediante Internet a través de una cadena de comandos o funciones autónomas previas para asignar un rol establecido; y que posee capacidad de interacción, cambiando de estado para responder a un estímulo. Algunos ejemplos de bots son los rastreadores web de los motores de búsqueda de Internet, que recorren los sitios web de forma automática y recopilan información de los mismos de manera mucho más rápida y efectiva de lo que lo haría una persona.  BOT ¿Qué es un bot y para qué sirve? Ver video  BOT Los bots "buenos" cumplen los estándares de exclusión de robots, que los operadores de servidores pueden usar para influir en el comportamiento de un robot dentro de unos límites. Los bots "maliciosos" se utilizan, por ejemplo, para recopilar direcciones de correo electrónico con fines publicitarios, para hacer copias masivas no autorizadas de contenidos web o para espiar de manera sistemática las vulnerabilidades de software de los servidores con el objetivo de penetrar en ellos.  BOT Los bots maliciosos son especialistas en pasar desapercibidos. Saben ocultarse muy bien; a menudo, sus archivos y procesos tienen nombres muy similares —cuando no iguales— a los propios del sistema. Estos son algunos ejemplos de bots maliciosos: Bots para spam: Las funciones de los bots para spam varían. Algunos se dedican a recopilar direcciones de correo electrónico de libros de visitas o páginas de contacto. Otros publican comentarios o mensajes en foros de debate para promocionar determinados sitios web. Bots conversacionales maliciosos: Están dentro de los portales y las apps, están diseñados para imitar nuestra forma de hablar, pueden engañar con facilidad a un usuario incauto, hacerle creer que está hablando con una persona y no con un programa dañino, e incitarlo a revelar el número de su tarjeta de crédito u otros datos confidenciales.  BOT Bots que comparten archivos Estos bots toman una consulta de búsqueda y responden con un vínculo que conduce, supuestamente, a lo que el usuario quería encontrar. Por ejemplo, si el usuario busca el nombre de una canción conocida, el bot le ofrece un vínculo que, en teoría, le permitiría descargarla. El usuario hace clic en el vínculo, descarga el archivo y, al abrirlo, infecta su equipo. “Stuffing” o relleno de credenciales El “stuffing” o relleno de credenciales consiste en tomar una lista de nombres de usuario y contraseñas (obtenida, generalmente, de una filtración de datos) y, utilizando un bot, probar esos datos sucesivamente en una página de inicio de sesión hasta obtener acceso a la cuenta de alguna persona.  BOT ¿PARA QUÉ UTILIZAN LOS BOTS LOS CIBERDELINCUENTES? 1. Para robar información personal y financiera Los hackers pueden utilizar una botnet para enviar mensajes fraudulentos o engañosos con la esperanza de que alguien caiga en una trampa y les entregue su dinero. También pueden tomar información de las máquinas infectadas con estos bots, robar las identidades de sus propietarios y hacer compras o solicitar préstamos en su nombre. 2. Para atacar servicios web lícitos Algunos delincuentes utilizan las botnets para realizar ataques DoS o DDoS, que consisten en saturar la red o el servicio de la víctima con niveles de tráfico que le resultan imposibles de procesar. El tráfico puede impactar fuertemente en la capacidad de respuesta de la red o el servicio, al punto de inhabilitarla por completo.  BOT ¿PARA QUÉ UTILIZAN LOS BOTS LOS CIBERDELINCUENTES? 3. Para extorsionar a sus víctimas El dinero de un ataque DoS puede provenir de la extorsión (“Pague o atacaremos su sitio web”) o de grupos dispuestos a financiar una agresión contra una red o empresa en particular. Algunos de estos grupos están compuestos por “hacktivistas” (hackers con ideologías políticas determinadas). Otras veces, los financistas son organismos de defensa o inteligencia foráneos. 4. Para ganar dinero con sus botnets o sistemas zombi Los delincuentes pueden alquilar sus botnets a otros que quieran enviar correos no deseados, cometer fraudes o engaños, robar identidades o atacar redes y sitios web lícitos.  BOT ¿DE QUÉ SON CAPACES LOS BOTS? La programación de un bot puede estar diseñada para cumplir tareas muy básicas como lo son el recordar alguna tarea o bien automatizar algún proceso, también existen bots con programación más compleja que buscan realizar actividades que conllevan toma de decisiones; estas decisiones son tomadas a partir de filtros o parámetros que el programador incluye en el código de programación. En estos días existen asistentes avanzados amigables que ayudan a manipular más fácilmente el código del bot.  BOT ¿DE QUÉ SON CAPACES LOS BOTS? Estas son algunas de las cosas que pueden llevar a cabo: Ofrecer respuestas mucho más rápidas de lo que lo haría un ser humano y además, cuentan con una ventaja diferencial, se puede recurrir a ellos a cualquier hora del día. Aprender de cada conversación con los usuarios y a raíz de ello simular conversaciones humanas más precisas. Un ejemplo es Anna, el chatbot de IKEA. Editar textos de forma automatizada. Entre sus labores destacan corregir faltas de ortografía, mantener la coherencia en los enlaces, proponer texto predictivo en base a las conversaciones de los usuarios, etcétera. O hacer acciones como reservar en un restaurante, cuando le decimos que lo haga.  BOT Se estima que, en la actualidad, la mitad del tráfico de Internet está asociado a los bots y a las tareas que realizan, como brindar asistencia automatizada, mantener conversaciones en las redes sociales como si fueran personas, contribuir a mejorar los resultados de búsqueda y ayudar a las empresas a encontrar materiales en la Web. En las redes sociales, los bots se utilizan para simular la interacción humana, hinchando artificialmente el número de visitas o seguidores, o automatizando respuestas para posicionar mensajes o influir en debates. Los denominados bots conversacionales son sistemas de inteligencia artificial que simulan una conversación con una persona utilizando el lenguaje natural.  BOT ¿CÓMO FUNCIONAN LOS BOTS? Los bots, por lo general, trabajan en red. Los que tienen la capacidad de comunicarse entre sí lo hacen a través de Internet, utilizando un servicio de mensajería instantánea, una interfaz como Twitterbots o el protocolo IRC. Los bots se componen de algoritmos que les permiten realizar sus funciones. Cada tipo de bot está diseñado de un modo diferente, adaptado a alguna de las muchas tareas que pueden realizar.  BOT TIPOS DE BOTS Dejando de lado los bots maliciosos, ¿qué funciones cumplen estos programas? La respuesta depende de la clase de bot: Bots conversacionales Estos bots mantienen conversaciones que parecen humanas. Están diseñados para brindar respuestas programadas a frases específicas. Bots sociales Estos son bots que operan en las redes sociales. Se los usa para promover ideas, generar mensajes automáticamente, seguir a determinados usuarios o, simulando tener una cuenta “normal”, hacerse de seguidores. Esta última función es cada vez más difícil de implementar porque las redes sociales se han vuelto más sofisticadas.  BOT TIPOS DE BOTS Bots de compras Estos bots recorren la Web en busca de productos al mejor precio. Algunos pueden analizar el modo en que los usuarios navegan por un sitio web y utilizar la información recabada para adaptar el sitio a cada persona. Bots araña o rastreadores Estos bots ayudan a Google y a otros motores de búsqueda a descubrir el mejor modo de responder las consultas de los usuarios. Para ello, recorren la Web de punta a punta y examinan el contenido de cada página que encuentran. Los rastreadores descargan los recursos que componen cada sitio (los archivos HTML, las imágenes, los archivos CSS y JavaScript, etc.) y los utilizan para procesar el contenido.  BOT TIPOS DE BOTS Bots de monitoreo Estos bots se usan para supervisar el estado de un sistema o sitio web. Se los puede ver en acción, por ejemplo, en Downdetector.com, un sitio independiente que brinda información en tiempo real sobre el estado y las interrupciones de diversos servicios y sitios web. Bots transaccionales Estos bots pueden realizar transacciones a pedido de un humano. Permiten, por ejemplo, que los clientes de una empresa realicen una transacción en medio de una conversación. Bots de descarga Los bots de esta clase se usan para descargar software o apps móviles de manera automática. Pueden emplearse para manipular estadísticas de descarga y hacer que, en las tiendas de aplicaciones, una app figure en lo alto de los rankings, con más descargas de lo real.  BOT VENTAJAS Y DESVENTAJAS DE LOS BOTS VENTAJAS: Pueden realizar tareas repetitivas más rápido que los humanos. Les ahorran tiempo a los clientes. Les ahorran costos laborales a las empresas. Están disponibles todos los días y a toda hora. Permiten que las organizaciones lleguen a más personas a través de las apps de mensajería. Son personalizables. Son multipropósito. Pueden mejorar la experiencia del usuario.  BOT VENTAJAS Y DESVENTAJAS DE LOS BOTS DESVENTAJAS: Hay tareas que no pueden realizar y, en ocasiones, no comprenden bien lo que se les dice, lo cual puede causar enojos. Necesitan de un humano que los administre y que pueda “tomar el mando” cuando ocurren malentendidos. Pueden programarse para fines maliciosos. Pueden utilizarse para enviar correos no deseados.  BOT EJEMPLOS DE BOTS Por su variedad de funciones, los bots se utilizan para una enorme cantidad de fines, como la atención al cliente, el comercio, la búsqueda y el entretenimiento. Estos son algunos servicios reconocidos que hacen uso de estos ayudantes: Facebook Messenger, WhatsApp, Slack y otras apps de mensajería instantánea. Google Assistant, Siri y otros bots conversacionales. La Organización Mundial de la Salud diseñó un bot para WhatsApp que le permite compartir información de utilidad pública sobre la pandemia del coronavirus. National Geographic diseñó un bot para promover la serie Genius. El bot supuestamente podía conversar como lo hubiera hecho Albert Einstein.  BOT EJEMPLOS DE BOTS Algunas apps de noticias, como la del Wall Street Journal, utilizan bots para mostrar titulares. Spotify permite buscar y compartir canciones a través de Facebook Messenger. Lyft, el principal competidor de Uber, permite hacer solicitudes a través de Slack, Messenger y Alexa. Mastercard permite ver las transacciones de una cuenta a través de un bot para Facebook Messenger. Lidl creó un bot que puede recomendar vinos a sus clientes.